东北大学计算机应用技术研究所Web信息处理小组

urrr... These guys do research ?!

2009年6月4日 #

搭建基于Nutch1.0的搜索引擎说明文档

一、简介

　　Nutch是一个开源的Web搜索引擎。

主要分为两个部分：爬虫crawler和查询searcher，两者之间的接口是索引。

二、需要的软件

JDK1.6
Tomcat6.0
cygwin
nutch1.0

三、安装与配置

1. JDK

下载地址：http://www.sun.com
安装目录：C:\Java\jdk1.6.0_14
修改环境变量：

JAVA_HOME= C:\Java\jdk1.6.0_14

CLASSPATH= C:\Java\jdk1.6.0_14\lib\dt.jar; C:\Java\jdk1.6.0_14\lib\tool.jar

PATH= %JAVA_HOME%\bin

测试：

Java -version

2. Tomcat6.0

下载地址：

http://tomcat.apache.org/download-60.cgi?Preferred=http%3A%2F%2Fapache.freelamp.com

安装目录：C:\tomcat6
安装测试：
        a) 启动tomcat：在DOS下，cd C:\tomcat6\bin\startup.bat

        b) 浏览器地址栏输入：

     http://localhost:8080/

出现tomcat主页则成功

更改C:\tomcat6\conf \tomcat-users.xml内容

<tomcat-users>

　　<role rolename="manager"/>

　　<user username="tomcat" password="tomcat" roles="manager"/>

</tomcat-users>

3. Cygwin

下载地址：

http://www.cygwin.cn/

使用原因：

运行Nutch自带的脚本命令需要Linux的环境，使用cygwin来模拟该环境。cygwin是在windows平台上运行的unix模拟环境。

安装目录：C:\cygwin
注意：在选择下载站点需要输入如下网址，并在最后选择本地磁盘安装：

http://www.cygwin.cn/pub/

测试：

进入cygwin

4. Nutch

下载地址：

http://www.apache.org/dyn/closer.cgi/lucene/nutch/

版本：nutch-1.0
解压后到：C:\nutch-1.0

设置Nutch的环境变量：

NUTCH_JAVA_HOME= C:\Java\jdk1.6.0_14

修改环境变量PATH ：

PATH= %JAVA_HOME%\bin; % NUTCH_JAVA_HOME %\bin

在C:\nutch-1.0下建立url.txt文件来制定爬去列表

在txt文件中写入需要爬取的网站地址http://dblp.lab/

测试：
开启Cygwin

cd cygdriver/c/nutch-1.0

bin/nutch

若出现若干命令，则说明Nutch配置成功

四、抓取网页数据

1. 指定爬虫规则

修改Nutch-1.0/conf/crawl-urlfilter.txt

# accept hosts in MY.DOMAIN.NAME

+^http://dblp.lab/

修改Nutch-1.0/conf/nutch-site.xml

<configuration>

　　<property>

　　<name>http.agent.name</name>

　　<value>my nutch agent</value>

　　</property>

　　<property>

　　<name>http.agent.version</name>

　　<value>1.0</value>

　　</property>

</configuration>

2. 开始爬取

3. 打开Cygwin

4. 在命令行输入

cd /cygdrive/c/nutch-1.0

5. 执行命令

Bin/nutch crawl url.txt -dir crawled -depth 3 - threads 4 >&crawl.log

　　其中：dir是指定爬取内容所存放的目录，depth表示以要爬取网站顶级网址为起点的爬行深度，threads指定并发的线程数

6. 爬取中......（采集网页并建立索引）

7. 结束后在Nutch目录下产生爬取内容的文件夹crawled和日志文件夹logs

五、部署Web前端

1. 将nutch-1.0.war拷贝到webapps目录下

2. 通过浏览器访问如下网址，war包会自解压

http://localhost:8080/nutch-1.0/

3. 修改nutch的web配置

更改c:\tomcat6\webapps\nutch-1.0\WEB-INF\classes\nutch-site.xml ，将内容更改为索引生成的目录

<?xml version="1.0"?> <?xml-stylesheet type="text/xsl" href="nutch-conf.xsl"?>



<nutch-conf>

<property>

　　<name>searcher.dir</name>

　　<value>C:\nutch-1.0\crawled</value>

</property>

</nutch-conf>

六、解决中文乱码问题

修改文件C:\tomcat6\conf\server.xml

<Connector port="8080" maxThreads="150" minSpareThreads="25"

maxSpareThreads="75" enableLookups="false" redirectPort="8443"

acceptCount="100" connectionTimeout="20000" disableUploadTimeout="true"

URIEncoding="UTF-8" useBodyEncodingForURI="true" protocol="HTTP/1.1" />

七、搭建完成

1. 启动Tomcat

2. 通过浏览器访问