nutch分布式搭建
whspringer 2010-04-06
如何在eclipse中跑nutch：http://jiajun.iteye.com/blog/612023 这里没有翻译，不过应该能看懂
那么如何分布式搭建nutch1.0呢？
如果进行到这篇文章，就很容易了：hadoop搭建进阶，多台机器分布式搭建：http://jiajun.iteye.com/blog/624559
具体如何做呢，参看：How to Setup Nutch and Hadoop：http://wiki.apache.org/nutch/NutchHadoopTutorial
可惜的是现在的nutch-1.0使用的hadoop架构不是0.20.2，而是使用的0.19.1，配置文件上有些差别。
注意：如果要本地调试nutch1.0，那么需要把conf/hadoop-site.xml删除或者改为其他名字，否则的话就是配置好的环境下跑的nutch，某些在从机器上运行的程序不能够调试。
下面说说，如何搭建nutch1.0
一些环境这里就不介绍了，这篇文章是接着上面几篇文章的。
一、下载安装文件
1、下载目前最新版本 nutch-1.0：http://lucene.apache.org/nutch
2、下载tomcat6.0:http://tomcat.apache.org
3、解压下载的两个压缩文件到 /home/java
二、配置文件
1、修改conf/hadoop-site.xml （配置文件和前面的hadoop-0.20.2不一样，这里的版本0.19.1不够先进）
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<!-- Put site-specific property overrides in this file. -->
<configuration>
<property>
<name>fs.default.name</name>
<value>hdfs://home0.hadoop:9000</value>
</property>
<property>
<name>mapred.job.tracker</name>
<value>home0.hadoop:9001</value>
</property>
<property>
<name>dfs.name.dir</name>
<value>/home/lighttpd/hadoopfs/name_0,/home/lighttpd/hadoopfs/name_1</val ue>
<description>Determines where on the local filesystem the DFS name node
should store the name table. If this is a comma-delimited list of directories
then the name table is replicated in all of the directories,
for redundancy.
</description>
</property>
<property>
<name>dfs.data.dir</name>
<value>/home/lighttpd/hadoopfs/data_0,/home/lighttpd/hadoopfs/data_1</val ue>
<description>
Determines where on the local filesystem an DFS data node
should store its blocks. If this is a comma-delimited list of dir ectories,
then data will be stored in all named directories, typically on d ifferent devices.
Directories that do not exist are ignored.
</description>
</property>
</configuration>2、修改 JAVA_HOME变量指向
在这个文件中hadoop-env.sh修改，前面配置hadoop已经讲过了。
4、设定主从节点 修改 conf/masters 文件，将其中的 localhost 改为 home0.hadoop 。
修改 conf/slaves 文件。 删掉其中的localhost, 将我们的另两台机器 home1.hadoop、home2.hadoop 加入, 注意每个机器一行。
masters里面的是主机节点，slaves里面是从机节点。
5、同样的配置拷贝到其他两台机器上去
scp -r nutch1.0 home1.hadoop:/home/yourname/
注意：可能您每台机器的JAVA安装位置不一样，记得修改conf/hadoop-env.sh,设置export JAVA_HOME=正确路径
三、启动hadoop服务
1、格式化一个新的分布式文件系统
bin/hadoop namenode -format
2、启动hadoop进程
$ bin/start-all.sh
四、抓取、建立索引
1、配置抓取入口
在nutch1.0目录下新建文件夹：urls，在该文件夹下新建文件：urllist.txt，在该文件中写入抓取列表，比如：
http://lucene.apache.org
写入分布式文件系统
bin/hadoop fs -put urls urls
2、设置URL过滤规则
编辑conf/crawl-urlfilter.txt
# accept hosts in MY.DOMAIN.NAME #+^http://([a-z0-9]*\.)*MY.DOMAIN.NAME/ +^http://([a-z0-9]*\.)*apache.org
3、执行抓取命令
bin/nutch crawl urls -dir crawledDir -depth 3 -threads 10
五、搜索环境
1、把上面索引后的文件拷贝到本地，速度会好些，也可在分布式系统中，参考文档中讲到
bin/hadoop fs -copyToLocal crawledDir /home/yourname/nutch-1.0/crawledData
2、把 nutch-1.0.war 文件拷贝到tomcat下webapps目录，启动tomcat解压文件,再关闭服务
$ cp nutch-1.0.war /home/yourname/java/apache-tomcat-6.0.18/ $ cd /home/lighttpd/java/apache-tomcat-6.0.18/ $ bin/startup.sh 浏览器输入：http://locahost:8080/nutch-1.0 $ bin/shutdown.sh
3、修改/WEB-INF/classes/nutch-site.xml
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<!-- Put site-specific property overrides in this file. -->
<!-- /home/lighttpd/nutch-1.0/conf/search-dir/sina.com.cn -->
<configuration>
<property>
<name>searcher.dir</name>
<value>/home/yourname/nutch-1.0/crawledDir</value>
</property>
</configuration>4、支持中文，在server.xml的 Connector中加入属性
URIEncoding="UTF-8" useBodyEncodingForURI="true"
5、启动tomcat
$ cd /home/lighttpd/java/apache-tomcat-6.0.18/ $ bin/startup.sh
6、浏览器输入：http://locahost:8080/nutch-1.0 搜索试试
六、注意：
1、这里搜索的索引文件是拷贝到本地的文件，也可以搭建分布式索引文件
2、还可以搭建索引文件在不同的机器上，搜索时候从各个索引文件合并搜索结果
3、eclipse工程中的对应配置文件，都做设置的话，会运行在分布式系统中，如想调试运行在从机器上程序，需要采用本地运行方式，把hadoop-site.xml文件挪走，或者改名。
