Nutch1.2+tomcat7windows环境搭建
2012-05-15 23:07
260 查看
安装前提
cygwin 在windows 环境中 安装成功
安装说明
解压到 apache-nutch-1.2-bin.zip 到 C:\cygwin\目录下
运行cygwin快捷方式 如下图cd进入nutch-1.2/bin下面
打开 修改nutch-1.2/conf/nutch-site.xml
修改nutch-1.2/conf/nutch-site.xml
<configuration>
<property>
<name>http.agent.name</name>
<value>skean</value>
<description></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>
注:http.agent.name段下的skean值一定要给出(当然值是随意的)
有兴趣的可以查看nutch-1.2/conf/nutch-default.xml这个文件,里面也有http.agent.name段,默认值为空,所以才要我们强制指明
修改nutch-1.2/conf/crawl-urlfilter.txt
倒数四行的代码修改成如下(只是修改了+^http://([a-z0-9]*\.)*163.com/)指 明我们抓取的网站是http://www.163.com/下的网站。
# accept hosts in MY.DOMAIN.NAME
+^http://([a-z0-9]*\.)*163.com/
# skip everything else
在nutch-1.2/bin/下建立文件夹urls,然后在urls下面建立文件url.txt 内容如下
http://www.163.com/
配置JAVAHOME 环境变量
在cygwin中进入nutch-1.2/bin目录 下 执行如下命令
export JAVA_HOME="/cygdrive/C/Program Files/Java/jdk1.6.0_10"
执行抓取命令 在cygwin中进入nutch-1.2/bin目录
./nutch crawl urls -dir crawl -depth 5 -threads 4 -topN 50
注:urls就是你之前建立的文件夹
-dir crawl就是创建crawl文件夹来存储抓取的数据
-depth 5 就是抓取的深度
-threads 4 就是执行的线程数
-topN 50 就是每层抓取数目
这样你的抓取数据都在crawl中了
可以执行
./nutch readdb sina/crawldb/ -stats
注:查看抓取信息。
把nutch-1.2文件夹下的nutch-1.2.war拷到tomcat的webapps文件下,重启tomcat,nutch-1.2.war会自动解压。
配置nutch-1.2/WEB-INF/classes/nutch-site.xml 修改后如下
<configuration>
<property>
<name>searcher.dir</name>
<value>C:/cygwin/nutch-1.2/bin/crawl</value>
</property>
</configuration>
注:C:/cygwin/nutch-1.2/bin/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
<Connector port="8080" protocol="HTTP/1.1"
connectionTimeout="20000"
redirectPort="8443" URIEncoding="UTF-8" useBodyEncodingForURI="true"/>
注:找到这一段,关键是添加URIEncoding="UTF-8" useBodyEncodingForURI="true"。
运行 tomcat 打开浏览器 http://localhost:8080/nutch-1.2/ 大功告成
cygwin编码问题的临时解决办法:
直接输入,export LANG="en_US.GBK",export LC_ALL="en_US.GBK",但下次重新启动cygwin的时候会又变回去。
cygwin 在windows 环境中 安装成功
安装说明
解压到 apache-nutch-1.2-bin.zip 到 C:\cygwin\目录下
运行cygwin快捷方式 如下图cd进入nutch-1.2/bin下面
打开 修改nutch-1.2/conf/nutch-site.xml
修改nutch-1.2/conf/nutch-site.xml
<configuration>
<property>
<name>http.agent.name</name>
<value>skean</value>
<description></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>
注:http.agent.name段下的skean值一定要给出(当然值是随意的)
有兴趣的可以查看nutch-1.2/conf/nutch-default.xml这个文件,里面也有http.agent.name段,默认值为空,所以才要我们强制指明
修改nutch-1.2/conf/crawl-urlfilter.txt
倒数四行的代码修改成如下(只是修改了+^http://([a-z0-9]*\.)*163.com/)指 明我们抓取的网站是http://www.163.com/下的网站。
# accept hosts in MY.DOMAIN.NAME
+^http://([a-z0-9]*\.)*163.com/
# skip everything else
在nutch-1.2/bin/下建立文件夹urls,然后在urls下面建立文件url.txt 内容如下
http://www.163.com/
配置JAVAHOME 环境变量
在cygwin中进入nutch-1.2/bin目录 下 执行如下命令
export JAVA_HOME="/cygdrive/C/Program Files/Java/jdk1.6.0_10"
执行抓取命令 在cygwin中进入nutch-1.2/bin目录
./nutch crawl urls -dir crawl -depth 5 -threads 4 -topN 50
注:urls就是你之前建立的文件夹
-dir crawl就是创建crawl文件夹来存储抓取的数据
-depth 5 就是抓取的深度
-threads 4 就是执行的线程数
-topN 50 就是每层抓取数目
这样你的抓取数据都在crawl中了
可以执行
./nutch readdb sina/crawldb/ -stats
注:查看抓取信息。
把nutch-1.2文件夹下的nutch-1.2.war拷到tomcat的webapps文件下,重启tomcat,nutch-1.2.war会自动解压。
配置nutch-1.2/WEB-INF/classes/nutch-site.xml 修改后如下
<configuration>
<property>
<name>searcher.dir</name>
<value>C:/cygwin/nutch-1.2/bin/crawl</value>
</property>
</configuration>
注:C:/cygwin/nutch-1.2/bin/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
<Connector port="8080" protocol="HTTP/1.1"
connectionTimeout="20000"
redirectPort="8443" URIEncoding="UTF-8" useBodyEncodingForURI="true"/>
注:找到这一段,关键是添加URIEncoding="UTF-8" useBodyEncodingForURI="true"。
运行 tomcat 打开浏览器 http://localhost:8080/nutch-1.2/ 大功告成
cygwin编码问题的临时解决办法:
直接输入,export LANG="en_US.GBK",export LC_ALL="en_US.GBK",但下次重新启动cygwin的时候会又变回去。
相关文章推荐
- linux搭建nutch1.2单机环境
- nutch1.2+hadoop0.20搭建分布式环境
- nutch1.2+hadoop0.20搭建分布式环境
- linux搭建nutch1.2单机环境
- nutch 1.8与solr 4.8环境搭建
- 搭建gtk1.2交叉编译环境过程
- 第一章 51单片机环境的搭建-1.2 安装指令编辑编译软件Keil
- Spark1.2集群环境搭建(Standalone+HA) 4G内存5个节点也是蛮拼的
- Android基础入门教程——1.2 开发环境搭建
- cocos2d-x学习之旅(二):1.2 cocos2d-x Visual Studio2010 开发环境搭建 windows 7 32位
- hadoop 1.2 集群搭建与环境配置
- Wilco的Windows7环境下MyEclipse+Nutch2.2.1+Mysql搭建
- 利用nutch-1.2和Lucene 搭建自己的搜索平台, Apache Mahout 构建社会化推荐引擎
- Nutch2.3+Hbase0.94环境搭建
- nutch 1.8与solr 4.8环境搭建
- Ubuntu12搭建nutch1.2+tomcat7+jdk1.6
- [Nutch]Nutch2.3+Hadoop+HBase+Solr在Ubuntu环境搭建
- Windows7环境下MyEclipse+Nutch2.2.1+Mysql搭建
- 1.2java开发环境搭建
- LibGDX_1.2: Desktop环境搭建: 包括 Windows,MAC OS X,Linux