大数据之nutch

一、nutch简介

nutch是大名鼎鼎的Doug Cutting发起的爬虫项目，nutch孵化了现在大数据处理框架Hadoop。在nutch V 0.8.0 版本之前，Hadoop是nutch的一部分，从nutch V0.8.0开始，HDFS和MapReduce从nutch中剥离出成为Hadoop。v0.8.0之后，nutch就完全构建在Hadoop的基础之上了。

Nutch是一个开源的网络爬虫，在搜索引擎中负责爬取网页，同时自动维护网页的URL信息，例如相同网页去重、网页定时更新、网页重定向。nutch采用了MapReduce分布式爬取和解析，具有良好的水平扩展性。
现在版本的Nutch本身并不具有搜索功能(V1.2之后，nutch专注于爬取数据)，但是可以自动向搜索服务器提交爬取的网页。例如，solr，可以通过Nutch自带的命令，来控制Nutch是否将网页提交给索引服务器。
Nutch虽然是优秀的分布式爬虫框架，但是它的所有设计，都是为了搜索引擎服务的。在hadoop上用map-reduce框架开发，并不是很适合做数据抽取的业务。如果你的业务是做数据抽取（精抽取），而不是搜索引擎。不一定要选用Nutch。
nutch现在分为两个分支。一个是1.x系列，一个是2.x系列。它们的主要区别是2.x引入了Gora作为存储抽象层，从而支持各种NoSQL数据库，如HBase，Cassandra等

二、nutch安装

1.nutch的运行环境
    JDK1.7及以上
    需要使用linux操作系统

2.解压:

设置环境变量

验证： nutch

3.目录结构

bin：两个文件，一个是nutch，一个是crawl，
        crawl是对nutch中的命令进行了封装，实现了一站式调用。
       
conf：里面保存了nutch的基本配置信息，nutch-default.xml nutch-site.xml parse-plugins.xml regex-urlfilter.txt
   
  docs：api文档
  lib：存储了nutch的依赖jar包
  plugins：存储了nutch使用的插件jar包

三、nutch 爬虫

nutch 爬取准备工作

1：在nutch-site.xml中添加http.agent.name的配置。如果不配置，启动会报错。

2：创建一个种子地址目录,urls(在nutch 目录中就可以)，在目录下面创建一些种子文件，种子文件中保存种子地址。每一个种子地址占一行。http:www.zhaozhiyong.cn

注意：种子地址必须以类似于http的字符开头

3：(可选)：控制爬取的url范围，只爬取站内，在regex-urlfilter.txt 最后添加 ：+^http://([a-z0-9]*\.)*bbs.superwu.cn/[\s\S]*

4：nutch爬取数据   bin/crwal urls crawl 1
    crawl urls crawl 1
    urls：表示是种子目录
    crawl：表示是爬取文件的存储位置
    1：表示是爬取的层次

5.nucth爬取生成的目录
    在爬取的时候指定的crawl中会有下面几个目录
    crawldb：存储的是待爬取的url
        查看目录数据：nutch readdb crawl/crawldb -stats -sort
    linkdb：存储的是反链信息
        查看目录数据：nutch readlinkdb crawl/linkdb -dump links
    segments：存储的是网站所有数据信息
        查看目录数据：nutch readseg -dump crawl/segments/20150906090648 sgedb
       
    一个segment包括以下子目录:
        crawl_generate:包含需要抓取的网址列表
        crawl_fetch:包含每个抓取页面的状态
        content:包含每个抓取页面的原始内容
        parse_text:包含每个抓取页面的解析文本
        parse_data:包含每个页面的外部链接(外链)和元数据
        crawl_parse:包含网址的外部链接地址，用于更新crawldb数据库

6.查看nutch生成的数据
    nutch中的数据都是sequencefile格式的，除了使用上面的nutch命令查看之外
        还可以使用java代码读取这些文件
        参考资料<查看nutch生成的中间文件>
        注意：在使用提供的代码读取文件时，需要先使用more命令查看对应文件中存储的数据类型
            对应需要修改代码中27行中的value的类型。

四、在solr中对爬取的数据建立索引

在使用solr的之前做以下步骤：

1）：需要把nutch下的schema-solr4.xml拷贝到solr中

命令：cp /usr/local/nutch/conf/schema-solr4.xml /usr/local/solr-4.10.4/example/solr/collection1/conf

2）：删除solr中的默认配置文件schema.xml，在把刚才拷贝过去的文件该名称
        cd /usr/local/solr-4.10.4/example/solr/collection1/conf
        rm schema.xml
        mv schema-solr4.xml schema.xml

3)：在schema.xml中添加一个字段配置
        <field name="location" type="string" stored="true" indexed="true"/>

或者也可以动态指定，
        例子：crawl -i -D "solr.server.url=http://192.168.1.170:8983/solr" urls crawl 1

1.启动solr

cd /usr/local/solr-4.10.4/example
    java -jar start.jar

2.

命令：crawl -i urls crawl 1

-i：表示会对爬取的数据建立索引，默认会在本机solr中建立索引，
        如果使用其他服务器上的solr，需要修改nutch-default中solr.server.url的值，
        建议在nutch-site.xml中进行覆盖。

3.检验

http://127.0.0.1:8983/solr/  可以通过query 查看到content的内容

注意：如果把爬取层次改为2层，发先抓取的数据还是很少，那是因为在regex-urlfilter.txt中对url进行了过滤
        把url中包含？=之类的都忽略掉了。
        所以可以把这个配置直接注释掉，或者修改为其他规则。
        详细修改，参考：<regex-urlfilter解释.txt>

五、nutch源码导入到eclipse

先安装ant
    cd /usr/local
    tar -zxvf apache-ant-1.9.6-bin.tar.gz
    mv apache-ant-1.9.6 ant
    export ANT_HOME=/usr/local/nutch
    export PATH=$ANT_HOME/bin:$PATH

nutch的源码是ant管理的，所以不能直接导入到eclipse，需要转换可以使用ant eclipse -verbose但是，nutch的依赖是使用ivy管理的，
在执行转换的过程中会下载依赖的jar包，jar包很多，所以建议使用提供的.ivy.zip文件。
这样在转换的时候就需要指定一下ivy jar包的存放位置，使用下面命令
ant eclipse -Divy.default.ivy.user.dir=/usr/local/.ivy -verbose
       
转换完成之后就可以导入到eclipse中了，但是导入之后发现源码报错，

需要修改java buildpath->order and export ->把apache-nutch-1.10/src/bin 移动到最上面，   使用top按钮。

六、nutch源码编译

需要先把.ivy.zip包解压到/usr/local目录下面

解压unzip .ivy.zip(在Linux 下)
    如果提示没有unzip命令，则使用yum install -y unzip

下载nutch源码，解压，重命名

cd /usr/local
    tar -zxvf apache-nutch-1.10-src.tar.gz
    mv apache-nutch-1.10 nutch_src
    cd nutch_src
    ant -Divy.default.ivy.user.dir=/usr/local/.ivy –verbose

注意：在编译源码之前，需要修改nutch_src/conf/nutch-site.xml，
        在里面添加http.agent.name属性
        <property>
          <name>http.agent.name</name>
          <value>my nutch spider</value>
        </property>

七：nutch运行的两种方式

在nutch官网下载的nutch的bin压缩包，只支持在使用本地模式运行nutch
    想要使用集群模式的话需要使用编译后的源码中的脚本

cd /usr/local/nutch_src/runtime/deploy
    bin/crawl /urls /crawl 1

注意：在使用这种方式的时候要保证nutch所在的节点上面配置的有HADOOP_HOME
        环境变量，因为nutch在向集群中提交任务的时候会根据这个环境变量对应
        的目录下面的配置文件找集群的地址。
        /urls 表示是hdfs上面的文件，里面必须要有一个种子文件

1：nutch的采集流程
    inject：表示注入url
    generagete：生成爬取列表
    fetch：爬取url
    parse：解析url
    updatedb：更新crawldb数据库
   
    一般情况下，inject只会执行一次，generate、fetch、parse、updatedb这四步是一个循环。
   
    详细的过程参考：<nutch Crawler流程.txt>