Nutch1.2搜索引擎使用详解

Nutch作为一款刚刚诞生的开源Web搜索引擎，提供了除商业搜索引擎外的一种新的选择。个人、企业都可通过Nutch来构建适合于自身需要的搜索引擎平台，提供适合于自身的搜索服务，而不必完全被动接收商业搜索引擎的各种约束。

Nutch 是基于Lucene的。Lucene为 Nutch 提供了文本索引和搜索的API。如果你不需要抓取数据的话，应该使用Lucene。常见的应用场合是：你有数据源，需要为这些数据提供一个搜索页面。在这种情况下，最好的方式是直接从数据库中取出数据并用Lucene API建立索引。Nutch 适用于你无法直接获取数据库中的数据网站，或者比较分散的数据源的情况下使用。

Nutch的工作流程可以分为两个大的部分：抓取部分与搜索部分。抓取程序抓取页面并把抓取回来的数据进行反向索引，搜索程序则对反向索引进行搜索回答用户的请求，索引是联系这两者的纽带。下图是对Nutch整个工作流程的描述。



首先需要建立一个空的URL数据库，并且把起始根urls添加到URL数据库中（步骤1），依据URL数据库在新创建的segment中生成fetchlist，存放了待爬行的URLs（步骤2），根据fetchlist从Internet进行相关网页内容的爬行抓取与下载（步骤3），随后把这些抓取到的内容解析成文本与数据（步骤4），从中提取出新的网页链接URL，并对UR数据库进行更新（步骤5），重复步骤2-5直到达到被指定的爬行抓取深度。以上过程构成了Nutch的整个抓取过程，可以用一个循环来对其进行描述：生成→抓取→更新→循环。

当抓取过程完成后，对抓取到的网页进行反向索引，对重复的内容与URL进行剔除，然后对多个索引进行合并，为搜索建立统一的索引库，而后用户可通过由Tomcat容器提供的Nutch用户界面提交搜索请求，然后由Lucene对索引库进行查询，并返回搜索结果给用户，完成整个搜索过程。

一、爬行企业内部网

爬行企业内部网（Intranet Crawling）这种方式适合于针对一小撮Web服务器，并且网页数在百万以内的情况。它使用crawl命令进行网络爬行抓取。在进行爬行前，需要对Nutch进行一系列的配置，过程如下：

1、数据抓取：需要创建一个目录，并且在此目录中创建包含起始根URLs的文件。我们以爬行搜狐网站（http://www.sohu.com）为例进行讲述。

创建url文件列表

创建urls文件夹并打开urls文件夹，并在内部建立urls.txt文件，其内容为：http://www.sohu.com/。

依据爬行网站的实际情况，可继续在此文件末尾添加其他URL或者在URL目录里添加其他包含URL的文件。

修改conf/crawl-urlfilter.txt文件

文件conf/crawl-urlfilter.txt主要用于限定爬行的URL形式，其中URL的形式使用正则表达式进行描述。将文中MY.DOMAIN.NAME部分替换为准备爬行的域名，并去掉前面的注释。因此在本文中进行域名替换后的形式为：

+^http://([a-z0-9]*\.)*sohu.com/

该配置文件还能设置更多相关信息，比如如下，设定那些文件不被抓取

# skip image and other suffixes we can't yet parse -\.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|sit|eps|wmf|zip|ppt|mpg|xls|gz|rpm|tgz|mov|MOV|exe|jpeg|JPEG|bmp|BMP|rar|RAR|js|JS)$

修改文件conf/nutch-site.xml

//这个地方每次抓取前一定要修改，否则就会出现抓不到的现象 < ?xml version="1.0"?> < ?xml-stylesheet type="text/xsl" href="configuration.xsl"?> < configuration> < property> < name>http.agent.name< /name> < value>sohu.com< /value> < description>sohu.com< /description> < /property> <property> <name>http.agent.description</name> <value></value> <description></description> </property> <property> <name>http.agent.url</name> <value></value> <description></description> </property> <property> <name>http.agent.email</name> <value></value> <description></description> </property> < /configuration>

开始爬行抓取

完成对Nutch的配置后，运行crawal命令进行爬行。

#bin/nutch crawl urls -dir crawl -depth 5 -threads 4 -topN 1000

其中命令行中各参数项含义分别为：

dir指定爬行结果的存放目录，此处dir为crawl;depth指定从根URL起将要爬行的深度，此例depth设定为5;N设定每一层爬行靠前的N个URL，此例N值设定为1000。
另外，crawl还有一个参数项:threads，它设定并行爬行的进程数。在爬行过程中，可通过Nutch日志文件查看爬行的进展状态，爬行完成后结果存放在logs目录里，可在最后加上

>& logs/crawl.log

如：

bin/nutch crawl urls -dir crawl -depth 2 -threads 4 -topN 1000 >&logs/crawl.log

执行完成后，生成的目录：

crawdb,linkdb 是web link目录，存放url 及url的互联关系，作为爬行与重新爬行的依据，页面默认30天过期。
segments 是主目录，存放抓回来的网页。页面内容有bytes[]的raw content 和 parsed text的形式。nutch以广度优先的原则来爬行，因此每爬完一轮会生成一个segment目录。
index 是lucene的索引目录，是indexs里所有index合并后的完整索引，注意索引文件只对页面内容进行索引，没有进行存储，因此查询时要去访问segments目录才能获得页面内容。

可以执行 bin/nutch readdb crawl/crawldb/ -stats查看抓取信息。可以执行bin/nutch org.apache.nutch.searcher.NutchBean 字符串 做简单的测试。
2、项目部署：把nutch-1.2文件夹下的nutch-1.2.war拷到tomcat的webapps文件下打开tomcat，nutch-1.2.war会自动被解压成同名的nutch-1.2文件夹。

配置nutch-1.2/WEB-INF/classes/nutch-site.xml

修改后如下：

<configuration> <property> <name>searcher.dir</name> <value>E:\cygwin\nutch-1.2\crawl</value> </property> </configuration>

注：E:\cygwin\nutch-1.2\crawl这个路径就是你之前抓取数据的存放路径。

中文乱码问题

配置tomcat的conf文件夹下的server.xml。

修改如下：

<Connector port="8080" protocol="HTTP/1.1" connectionTimeout="20000" redirectPort="8443" URIEncoding="UTF-8" useBodyEncodingForURI="true"/>

修改页面元素，屏蔽中文乱码

另外：在webapps\nutch\zh\include 下面新建header.jsp，内容就是复制header.html，但是前面加上：

<%@ page contentType="text/html; charset=UTF-8" pageEncoding="UTF-8"%>

同时在webapps\nutch\search.jsp里面，找到并修改为：

<% String pathl= language + “/include/header.jsp"; System.out.println(pathl); %> <jsp:include page="<%= pathl %>"/>

3、抓取目录分析

一共生成5个文件夹,分别是:

Crawldb：存放下载的URL,以及下载的日期,用来页面更新检查时间。

Linkdb：存放URL的互联关系,是下载完成后分析得到的。

Segments：存放抓取的页面,下面子目录的个数于获取的页面层数有关系,通常每一层页面会独立存放一个子目录,子目录名称为时间,便于管理.没抓取一层页面就会生成一个目录，如20101222185215（按时间缩写的），.每个子目录里又有6个子文件夹如下:

content：每个下载页面的内容。
crawl_fetch：每个下载URL的状态。
crawl_generate：待下载URL集合。
crawl_parse：包含来更新crawldb的外部链接库。
parse_data：包含每个URL解析出的外部链接和元数据。
parse_text：包含每个解析过的URL的文本内容。

indexs：存放每次下载的独立索引目录。

index：是lucene的索引目录，是indexes目录里所有index合并后的完整索引，注意索引文件只对页面内容进行索引，没有进行存储，因此查询时要去访问segments目录才能获得页面内容。

二、 爬行整个互联网

爬行整个互联网（Whole-web crawling）是一种大规模网络爬行，与第一种爬行方式相对，具有更强的控制性，使用inject、generate、fetch、updatedb等比较低层次的命令，爬行量大，可能需要数台机器数周才能完成。

1、名词解释：

web 数据库: nutch所知道的page,以及在这些page里头的links (由injector通过DMOZ往里添加page，Dmoz(The Open Directory Project/ODP)是一个人工编辑管理的目录集合，为搜索引擎提供结果或数据。) WebDB存储的内容有(url、对内容的MD5摘要、Outlinks ，page的link数目、抓取信息，可决定是否重新抓取，Page的score，决定页面的重要性)

段(segment)集合：是指page的一个集合，对它进行抓取与索引都作为同一个单元对待。它包含以下类型：

Fetchlist 这些page的名称的集合Fetcher output: 这些page文件的集合Index: lucene格式的索引输出
2、抓取数据，建立web database与segments

首先，需要下载一个包含海量URL的文件。下载完成后，将其拷贝到Nutch主目录，并且解压缩文件。

Linux下下载并解压：



content.rdf.u8包含了约三百万个URL，在此仅随机抽取五万分之一的URL进行爬行。同第一种方法一样，首先需要建立包含起始根URL的文件及其父目录。

#mkdir urls #bin/nutch org.apache.nutch.tools.DmozParser content.rdf.u8 -subset 50000 > urls/urllist

采用Nutch的inject命令将这些URL添加crawldb中。这里，目录crawl是爬行数据存储的根目录。

#bin/nutch inject crawl/crawldb urls

然后，编辑文件conf/nutch-site.xml，内容及方法与“爬行企业内部网”类似，此处略过。接着，开始爬行抓取。可以将整个爬行抓取的命令写成一个shell脚本，每次抓取只需执行此脚本即可，即生成→抓取→更新的过程。根据需要可反复运行此脚本进行爬行抓取。脚本范例及相应的说明如下：



最后，进行索引。爬行抓取完后，需要对抓取回来的内容进行索引，以供搜索查询。过程如下：

#建立索引 #bin/nutch invertlinks crawl/linkdb crawl/segments/* //倒置所有链接 #bin/nutch index crawl/indexes crawl/crawldb crawl/linkdb crawl/segments/*

3、数据部署与查询：索引建立之后，便可以按照单网抓取的方式进行部署和查询了，其过程在此就不在一一介绍了。