Nutch源代码学习-解读Nutch-运行,爬行过程
Nutch源代码学习-解读Nutch-运行,爬行过程
2011年01月30日
Nutch源代码学习(5)-解读Nutch-运行,爬行过程
2007年04月13日 星期五 16:40
Nutch是一个基于Lucene，类似Google的完整网络搜索引擎解决方案，基于Hadoop的分布式处理模型保证了系统的性能，类似Eclipse的插件机制保证了系统的可客户化，而且很容易集成到自己的应用之中。
Nutch 0.8 完全使用Hadoop重写了骨干代码，另外很多地方作了合理化修正，非常值得升级。
1.Nutch 0.8 的安装与运行
nutch 0.7.2的中文安装文档满街都是，nutch 0.8的安装文档见Tutorial (0.8) ， 要注意两点：
一是 crawl命令里的urls参数从指定文件变为了指定目录， 即原来的urls 要改存到urls/foo 里。
二是 nutch-default.xml里http.agent.name属性默认为空，必须在nutch-site.xml中为该属性设值，否则会出错。
注意nutch 爬行时的信息用log4j输出在/logs 目录下了，默认不再直接输出到屏幕，除非你在配置文件里设fetcher.verbose为true。
Luke(http://www.getopt.org/luke) 是一个必备的索引阅读工具。
另外，nutch需要在unix下奔跑，如果要装在windows上，大家可以先装个cygwin。(下载它的setup.exe 在线安装很快装完)。
最后，nutch 0.8的recawl 脚本也不同了。
2.Nutch You should know
2.1 一份文档
nutch的文档不多，而且多是安装文档，要深入nutch，就必须一字不漏的阅读：
Introduction to Nutch, Part 1 Crawling 和 Introduction to Nutch, Part 2 Searching
然后就是看源码了，好在nutch的源码非常均匀，简短，没有花哨的技巧，很容易把事情看明白。
2.2 三个目录
首先理解nutch的三个数据目录：
1.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。
2.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。
3.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。
2.3 爬行过程
爬行过程在Introduction to Nutch, Part 1 Crawling 里已有详细说明，或许直接看Crawl类来理解爬行的过程。
这里有一幅更直观的图：
Nutch用入口地址，地址正则表达式，搜索深度三种形式来限制
因为使用了Hadoop(下篇再讲），Nutch的代码都按照Hadoop的模式来编写以获得分布式的能力，因此要先了解一下Hadoop，明白它Mapper,Rerducer, InputFormat, OutputFormat类的作用才能更好的阅读。
1.Fetcher类， 在run()里多线程运行FetcherThread，并调用恰当的Protocol插件(支持http,ftp等协议)获取内容，调用恰当的 Parser将内容分析为文本，然后把内容放到FetcherOutput类里，最后由FetcherOutputFormat类定义写盘到 segments的过程。
2.Indexer类，应用hadoop遍历所有Segments 目录，将parseData文件序列化成ParseData类，从中获得各种资料然后调用插件进行索引，最后仍然由ouputFormat类完成写入索引的工作。
注意，如果你仅想使用Nutch的爬虫，而不是其索引功能，可以仿照Indexer重写自己的实现，比如把segments内容直接搬进数据库。
3.Nutch 每条索引记录的字段
url： 作为唯一标标识值，由BasicIndexingFilter类产生。
segment： 由Indexer类产生。Nutch抓回来的页面内容放在segments目录，lucene只会索引，不会store原文内容，因此在查询时要以 segment与url作为外键，由FetchedSegments类根据hitsDetail从segments目录获得content。
boost：优先级，由Indexer类调用插件计算产生。
title：显示标题，在BasicIndexingFilter插件中被索引和存储。
content： 主要的被搜索项，在BasicIndexingFilter插件中被索引。
2.4 搜索过程
Nutch提供了一个Fascade的NutchBean类供我们使用，一段典型的代码如下
NutchBean bean = new NutchBean(); Query query = Query.parse(args[0]); Hits hits = bean.search(query, NUM_HITS,"title",true); for (int i = 0; i
最后是八卦，Dedian同志翻译的Doug Cutting 访谈录 -- 关于搜索引擎的开发。
本页地址：http://blog.csdn.net/liyang23456/archive/2007/08/20/1751253.aspx
发表于 @ 2007年08月20日 11:38:00 | 评论( 1 ) | 编辑| 举报| 收藏
旧一篇:Plugin中心（翻译） | 新一篇:IntranetRecrawl
查看最新精华文章 请访问博客首页相关文章
Nutch version 0.8 安装向导转：nutch在Windows上的安装 step by step转：Nutch 使用 1nutch输出文件的读取Nutch 0.8笔记--Google式的搜索引擎实现(作者：江南白衣)Nutch开源搜索引擎的crawl日志分析及工作目录说明Nutch 0.8笔记--Google式的搜索引擎实现Nutch 0.8笔记 Google式的搜索引擎实现yhh95222 发表于2009年9月13日 17:01:34 IP:举报回复删除
问个问题，就是我想在索引的时候我要根据不同目录的url来把内容索引到不同的域里，应该在哪些地方修改呀？ 谢谢。 发表评论表 情： 评论内容： 用 户 名：登录 注册 匿名评论 匿名用户验 证 码： 重新获得验证码
热门招聘职位【方正国际】诚招软件精英 北京+苏州+武汉【热聘】搜狐畅游全国热招开发工程师【爱立信上海】急招多媒体、核心网开发测试工程师，国际团队等你加盟！【舒适刀片】诚聘IT Programmer (VB,VBS,VBA, web development编程)【Zynga Beijing】热招各类游戏人才，与我们共建属于你的虚拟帝国【开心网】高薪诚聘各类技术人才【MediaV】技术类职位热招，欢迎应届毕业生【瀚信科技】诚聘 WINDOWS C++ WINDOWS C#中高级开发工程师【美国国家仪器】诚聘高级软件 工程师 信号处理软件部门经理【Amazon】亚马逊诚聘技术专家！【网路时代】高薪诚聘C++、.net开发工程师【Autodesk】欧特克软件(中国)诚聘软件开发,测试,研究员【方正国际】诚招软件精英 北京+苏州+武汉【热聘】搜狐畅游全国热招开发工程师【爱立信上海】急招多媒体、核心网开发测试工程师，国际团队等你加盟！【舒适刀片】诚聘IT Programmer (VB,VBS,VBA, web development编程)【Zynga Beijing】热招各类游戏人才，与我们共建属于你的虚拟帝国【开心网】高薪诚聘各类技术人才【MediaV】技术类职位热招，欢迎应届毕业生【瀚信科技】诚聘 WINDOWS C++ WINDOWS C#中高级开发工程师【美国国家仪器】诚聘高级软件 工程师 信号处理软件部门经理【Amazon】亚马逊诚聘技术专家！【网路时代】高薪诚聘C++、.net开发工程师【Autodesk】欧特克软件(中国)诚聘软件开发,测试,研究员 公司简介|招贤纳士|广告服务|银行汇款帐号|联系方式|版权声明|法律顾问|问题报告
北京创新乐知广告有限公司 版权所有, 京 ICP 证 070598 号
世纪乐知(北京)网络技术有限公司 提供技术支持
江苏乐知网络技术有限公司 提供商务支持
Email:webmaster@csdn.net
Copyright ? 1999-2010, CSDN.NET, All Rights Reserved
本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/liyang23456/archive/2007/08/20/1751253.aspx
本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/liyang23456/archive/2007/08/20/1751253.aspx
本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/liyang23456/archive/2007/08/20/1751253.aspx
