Nutch常用命令详解

Nutch采用了一种命令的方式进行工作，其命令可以是对局域网方式的单一命令也可以是对整个Web进行爬取的分步命令。主要的命令如下：

1. Crawl

Crawl是“org.apache.nutch.crawl.Crawl”的别称，它是一个完整的爬取和索引过程命令。

使用方法：

Shell代码

$
bin/nutch crawl <urlDir> [-dir d] [-threads n] [-depth i] [-topN]

参数说明：

<urlDir>：包括URL列表的文本文件，它是一个已存在的文件夹。

[-dir
<d>]：Nutch保存爬取记录的工作目录，默认情况下值为：./crawl-[date]，其中[date]为当前目期。

[-threads
<n>]：Fetcher线程数，覆盖默认配置文件中的fetcher.threads.fetch值（默认为10）。

[-depth
<i>]：Nutch爬虫迭代的深度，默认值为5。

[-topN
<num>]：限制每一次迭代中的前N条记录，默认值为 Integer.MAX_VALUE。

配置文件：

hadoop-default.xml

hadoop-site.xml

nutch-default.xml

nutch-site.xml

crawl-tool.xml

其他文件：

crawl-urlfilter.txt

2.
Readdb

Readdb命令是“org.apache.nutch.crawl.CrawlDbReader”的别称，返回或者导出Crawl数据库（crawldb）中的信息。

使用方法：

Shell代码

$bin/nutch
readdb <crawldb> (-stats | -dump <out_dir> | -url
<url>)

参数说明：

<crawldb>：crawldb目录.

[-stats]:：在控制台打印所有的统计信息

[-dump
<out_dir>]：导出crawldb信息到指定文件夹中的文件

[-url
<url>]：打印指定URL的统计信息

实例：

Shell代码

$
bin/nutch readdb fullindex/crawldb -stats

CrawlDb
statistics start: fullindex/crawldb

Statistics
for CrawlDb: fullindex/crawldb

TOTAL
urls: 468030

retry 0:
467361

retry 1:
622

retry 2:
32

retry 3:
15

min
score: 0.0

avg
score: 0.0034686408

max
score: 61.401

status 1
(db_unfetched): 312748

status 2
(db_fetched): 80671

status 3
(db_gone): 69927

status 4
(db_redir_temp): 1497

status 5
(db_redir_perm): 3187

CrawlDb
statistics: done

配置文件：

hadoop-default.xml

hadoop-site.xml

nutch-default.xml

nutch-site.xml

说明：

-stats命令是一个快速查看爬取信息的很有用的工作，其输出信息表示了：

DB_unfetched：链接到已爬取页面但还没有被爬取的页面数（原因是它们没有通过url过滤器的过滤，或者包括在了TopN之外被Nutch丢弃）

DB_gone：表示发生了404错误或者其他一些臆测的错误，这种状态阻止了对其以后的爬取工作。

DB_fetched表示已爬取和索引的页面，如果其值为0，那肯定出错了。

3.
readlinkdb

它是"org.apache.nutch.crawl.LinkDbReader"的别称，导出链接库中信息或者返回其中一个URL信息。

使用方法：

Shell代码

$bin/nutch
readlinkdb <linkdb> (-dump <out_dir> | -url <url>)

参数说明：

<linkdb>：linkdb工作目录

[-dump
<out_dir>]：导出信息到文件夹下

[-url
<url>]：打印某个URL的统计信息

实例：

Shell代码

$ bin/nutch readlinkdb fullindex/linkdb -url www.ccnu.edu.cn -
no link information

配置文件：

hadoop-default.xml

hadoop-site.xml

nutch-default.xml

nutch-site.xml

4.
inject

它是"org.apache.nutch.crawl.Injector"的别称，注入新URL到crawldb中。

使用方法：

Shell代码

$bin/nutch
injector <crawldb> <urldir>

参数说明：

<crawldb>：crawldb文件夹

<urldir>：保存有URL的文件的文件夹目录

配置文件：

hadoop-default.xml

hadoop-site.xml

nutch-default.xml

nutch-site.xml

以下配置文件参数影响到了注入方式：

db.default.fetch.interval——按天设置爬取间隔，默认值30.0f

db.score.injected——设置URL的默认打分，默认值1.0f

urlnormalizer.class——规范化URL的类，默认值为
org.apache.nutch.net.BasicUrlNormalizer

5.
generate

它是“org.apache.nutch.crawl.Generator”，从Crawldb中抓取新的Segment。

使用方法：

Shell代码

$bin/nutch
generator <crawldb> <segments_dir> [-topN <num>]
[-numFetchers <fetchers>] [-adddays <days>]

参数说明：

<crawldb>：crawldb目录

<segments_dir>：新建的爬取Segment目录

[-topN
<num>]：选取前多少个链接，默认值为Long.MAX_VALUE

[-numFetchers
<fetchers>]：抓取分区数量。 Default: Configuration key -> mapred.map.tasks
-> 1

[-adddays
<days>]: 添加 <days>到当前时间，配置crawling urls
，以将很快被爬取db.default.fetch.interval默认值为0。爬取结束时间在当前时间以前的。

示例：

Shell代码

$bin/nutch
generate /my/crawldb /my/segments -topN 100 -adddays 20

配置文件：

hadoop-default.xml

hadoop-site.xml

nutch-default.xml

nutch-site.xml

说明：

generate.max.per.host
– 设置单个主机最大的URL数量，默认情况下：unlimited。

6. fetch

它是“org.apache.nutch.fetcher.Fetcher”的代称，它负责一个segment的爬取。

使用方法：

Shell代码

$bin/nutch
fetcher <segment> [-threads <n>] [-noParsing]

参数说明：

<segment>：segment目录

[-threads
<n>]：运行的fetcher线程数默认值为 Configuration Key -> fetcher.threads.fetch
-> 10

[-noParsing]：禁用自动解析segment数据

配置文件：

hadoop-default.xml

hadoop-site.xml

nutch-default.xml

nutch-site.xml

说明：

Fetcher依赖于多个插件以爬取不同的协议，目前已有的协议及支撑插件如下：

http:

protocol-http

protocol-httpclient

https:

protocol-httpclient

ftp:

protocol-ftp

file:

protocol-file

当爬取网上文档的时候，不应该使用protocol-file，因为它是用于爬取本地文件的。如果你想爬取http、https，应当使用protocol-httpclient。

7. parse

它是“org.apache.nutch.parse.ParseSegment”的代称，它对一个segment运行ParseSegment。

使用方法：

Shell代码

$bin/nutch
parse <segment>

参数说明：

<segment>：Segment文件夹

配置文件：

hadoop-default.xml

hadoop-site.xml

nutch-default.xml

nutch-site.xml

说明：

它依赖于多个插件来解析不同格式的内容，支持的格式及插件有：

内容格式 插件
备注

text/html
parse-html 使用NekoHTML 或者TagSoup解析HTML

application/x-javascript
parse-js 解析JavaScript 文档(.js).

audio/mpeg
parse-mp3 解析MP3 Audio文档(.mp3).

application/vnd.ms-excel
parse-msexcel 解析MSExcel文档 (.xls).

application/vnd.ms-powerpoint
parse-mspowerpoint 解析MSPower!Point 文档

application/msword
parse-msword 解析MSWord文档

application/rss+xml
parse-rss 解析RSS文档(.rss)

application/rtf
parse-rtf 解析RTF文档(.rtf)

application/pdf
parse-pdf 解析PDF文档

application/x-shockwave-flash
parse-swf 解析Flash 文档 (.swf)

text-plain
parse-text 解析Text文档(.txt)

application/zip
parse-zip 解析Zip文档(.zip)

other
types parse-ext 通过基于content-type或者路径前缀的外部命令来解析文档

默认情况下只有txt、HTML、JS格式的插件可用，其他的需要在nutch-site.xml中配置使用。

8 .
segread

"segread"
是"org.apache.nutch.segment.SegmentReader"的代称，它读取并导出Segment数据。

使用方法：

Shell代码

$bin/nutch
segread <segment>

参数说明：

<segment>：Segment文件夹

配置文件：

hadoop-default.xml

hadoop-site.xml

nutch-default.xml

nutch-site.xml

说明：

在Nutch0.9后的版本中改为了readseg

9 .
updatedb

它是“org.apache.nutch.crawl.CrawlDb”的代称，用fetch过程中获取的信息更新crawldb。

使用方法：

Shell代码

$bin/nutch
updatedb <crawldb> <segment> [-noadditions]

参数说明：

<crawldb>：crawldb目录

<segment>：已经爬取的segment目录

[-noadditions]：是否添加新的链接到crawldb中

配置文件：

hadoop-default.xml

hadoop-site.xml

nutch-default.xml

nutch-site.xml

10.
invertlinks

它是“org.apache.nutch.crawl.LinkDb”的代称，它用从segment中获取到的信息更新linkdb。

使用方法：

Shell代码

$bin/nutch
invertlinks <linkdb> (-dir segmentsDir | segment1 segment2 ...)

参数说明：

<linkdb>:
linkdb目录

<segment>:
segment目录，可以指定至少一个的文件夹

配置文件：

hadoop-default.xml

hadoop-site.xml

nutch-default.xml

nutch-site.xml

11.
index

它是“org.apache.nutch.indexer.Indexer”的代称，创建一个segment的索引，利用crawldb和linkdb中的数据对索引中的页面打分。

使用方法：

Shell代码

$bin/nutch
index <index> <crawldb> <linkdb> <segment> ...

参数说明：

<index>:
索引创建后的保存目录

<crawldb>:
crawldb目录

<linkdb>:
linkdb目录

<segment>:
segment目录，可以指定多个

配置文件：

hadoop-default.xml

hadoop-site.xml

nutch-default.xml

nutch-site.xml

12.
merge

Merge是“org.apache.nutch.indexer.IndexMerger”的代称，它合并多个segment索引。

使用方法：

$bin/nutch
merge [-workingdir <workingdir>] <outputIndex> <indexesDir>
...

参数说明：

[-workingdir
<workingdir>]：提定工作目录

<outputIndex>：合并后的索引存储目录

<indexesDir>：包含待合并的索引目录，可以指定多个

配置文件：

hadoop-default.xml

hadoop-site.xml

nutch-default.xml

nutch-site.xml

13.
mergedb

它是“org.apache.nutch.crawl.CrawlDbMerger”的代称，合并多个CrawlDb，URLFilter可选择性地过滤指定内容。

可以合并多个DB到一个中。当你分别运行爬虫并希望最终合并DB时，它会相当有用。可选择地，可以运行当前URLFilter过滤数据库中的URL，以滤去不需要的URL。当只有一个DB时也很有用，它意味着你可以通过这个工作去滤掉那些DB中你不想要的URL。

只用这个工具来过滤也是可能的，在这种情况下，只指定一个crawldb。

如果同一个URL包括在多个CrawlDb中，只有最近版本的才会被保留，即由org.apache.nutch.crawl.CrawlDatum.getFetchTime()值决定的。然而，所有版本的元数据被聚合起来，新的值代替先前的值。

使用方法：

$bin/nutch
merge output_crawldb crawldb1 [crawldb2 crawldb3 ...] [-filter]

参数说明：

output_crawldb：CrawlDb输出文件夹

crawldb1
[crawldb2 crawldb3 ...]：一个或者多个CrawlDb(s).

-filter：采用的URLFilters

配置文件：

hadoop-default.xml

hadoop-site.xml

nutch-default.xml

nutch-site.xml

14.
mergelinkdb

它是“org.apache.nutch.crawl.LinkDbMerger”的代称，用于合并多个linkdb，可以选择性的使用URLFilter来过滤指定内容。

当分别从多个segment群中分布式建立LinkDb而又需要合并为一个时很有用。或者，也可以指定单个LinkDb，只是用它来过滤URL。

只用这个工具来过滤也是可能的，在这种情况下，只指定一个LinkDb。

如果一个URL包含在多个LinkDb中，所有的内部链接被聚合，但是最多db.max.inlinks
指定的内链数会添加进来。如果被激活，URLFilter可以应用到所有的目标URL及其内链中。如果目标链接被禁止，所有的该目标链接的内链将和目标链接一起被移去。如果某些内链被禁止，那么只有他们会被移去，在校验上面提到的最大限制数时他们不会被计算在内。

使用方法：

$bin/nutch
mergelinkdb output_linkdb linkdb1 [linkdb2 linkdb3 ...] [-filter]

参数说明：

output_linkdb：输出linkdb

linkdb1
[linkdb2 linkdb3 ...]: 多于一个的输入LinkDb(s)

-filter:
Actual URLFilters to be applied on urls and links in LinkDb(s).

配置文件：

hadoop-default.xml

hadoop-site.xml

nutch-default.xml

nutch-site.xml

15.
mergesegs

它是“org.apache.nutch.segment.SegmentMerger”的代称，用于合并多个segment，可以选择性地输出到一个或者多个固定大小的segment中。

使用方法：

Shell代码

$bin/nutch
mergesegs output_dir (-dir segments | seg1 seg2 ...) [-filter] [-slice NNNN]

参数说明：

output_dir：结果segment的名称或者segment片的父目录

-dir
segments：父目录，包括多个segment

seg1
seg2 ...：segment目录列表

-filter：通过URLFilters过滤

-slice
NNNN: 创建多个输出segment，每一个中包括了NNNN个URL。

配置文件：

hadoop-default.xml

hadoop-site.xml

nutch-default.xml

nutch-site.xml

16.
dedup

“dedup”是“org.apache.nutch.indexer.DeleteDuplicates”的别名，它segment
indexes中去掉重复的页面。

使用方法：

Shell代码

$bin/nutch
dedup <indexes> ...

参数说明：

<indexes>：indexes索引文件

配置文件：

hadoop-default.xml

hadoop-site.xml

nutch-default.xml

nutch-site.xml

17.
plugin

它是“org.apache.nutch.plugin.PluginRepository”的代称，用于从插件库中加载一个插件并执行其主方法。

使用方法：

Shell代码

$bin/nutch
plugin <pluginId> <className> [args ...]

参数说明：

<pluginId>：期望执行的插件ID

<className>：包含主方法的类名

[args]：传入插件的参数

配置文件：

hadoop-default.xml

hadoop-site.xml

nutch-default.xml

nutch-site.xml