nutch-2.2.1 hadoop-1.2.1 hbase-0.92.1 集群部署(实用)

原文地址： http://www.cnblogs.com/i80386/p/3540389.html

参考网站：
http://blog.csdn.net/weijonathan/article/details/10178919 一个完整的部署过程，只是版本有所区别
http://m.blog.csdn.net/blog/WeiJonathan/9251597 杨尚川的博客（nutch 分布式运行）
http://qindongliang1922.iteye.com/blog/1977053 三劫散仙博客（如何部署hbase）
http://wiki.apache.org/nutch/Nutch2Tutorial 官网

一：nutch2.x与nutch1.x的主要区别：数据访问层的抽象
nutch 2.x----gora-core-0.3----gora-hbase----hbase

gora-core-0.3	apache-gora提供了对nosql访问的统一接口。（注解：在上述链接里可以看到对其他数据库的支持）
gora-hbase	针对hbase实现了gora的接口

:
有了这两步nutch2.x就可以运行在Hbase上了。
支持nosql的优势：
当获取了外链要进行url排重的时候，以前基于hdfs的时候是读取之前全部的url用mapreduce实现排重（好沉重的赶脚），支持了nosql只需要一步查找即可。

二：准备材料

hadoop-1.2.1	http://archive.apache.org/dist/hadoop/core/hadoop-1.2.1/hadoop-1.2.1.tar.gz
hbase-0.92.1	http://archive.apache.org/dist/hbase/hbase-0.92.1/hbase-0.92.1.tar.gz
nutch-2.2.1	http://archive.apache.org/dist/nutch/2.2.1/apache-nutch-2.2.1-src.tar.gz

使用wget下载。

三：安装hadoop（略）
我这里做了2个机器的hadoop集群，如下所示：

192.168.2.51	Master.Hadoop
192.168.2.52	Slave1.Hadoop

四：安装Hbase（第一次配置简单点，使用自带的zookeeper）
将hbase拷贝到Hadoop根目录下 参考命令：

cp hbase-0.92.1.tar.gz /home/hadoop-1.2.1/ （之所以这样做可以方便以后扩展hadoop集群，直接scp就行了）

解压并重命名 参考命令：

tar -zxvf hbase-0.92.1.tar.gz
mv hbase-0.92.1 hbase
cd hbase 

修改 hbase-env.sh，参考配置：

# The java implementation to use. Java 1.6 required.
# export JAVA_HOME=/usr/java/jdk1.6.0/
export JAVA_HOME=/usr/java/jdk 注解：设置java_home
export HBASE_CLASSPATH=/home/hadoop-1.2.1/conf
export HBASE_MANAGES_ZK=true
...
# The directory where pid files are stored. /tmp by default.
export HBASE_PID_DIR==/home/hadoop-1.2.1/hbase/pids (注解：这个最好不要采用默认，放在/tmp很不安全，有可能被误删）

修改hbase-site.xml,参考配置：

<configuration>
　　<property>
　　　　<name>hbase.cluster.distributed</name>
　　　　<value>true</value>
　　</property>
　　<property>
　　　　<name>hbase.rootdir</name>
　　　　<value>hdfs://Master.Hadoop:9000/hbase</value> // 注解：这里与hadoop的hdfs建立了联系，如果你hadoop dfs -ls 发现没有hbase这个文件夹，
　　</property> 运行：hadoop dfs -ls /hbase
　　<property>
　　　　<name>hbase.master</name>
　　　　<value>192.168.2.51:60000</value>
　　</property>
　　<property>
　　　　<name>hbase.zookeeper.quorum</name>
　　　　<value>192.168.2.52</value>
　　</property>
</configuration>

vim regionservers 参考配置：

192.168.2.51
192.168.2.52

hadoop版本一致化：(版本不一致会出现异常）

cp /home/hadoop-1.2.1/hadoop-core-1.2.1.jar /home/hadoop-1.2.1/hbase/lib/

并删除hbase自带的hadoop版本。

将配置好的hbase拷贝到slave节点（192.168.2.52)

cd /home/hadoop-1.2.1
scp -r hbase root@192.168.2.52:/home/hadoop-1.2.1/

启动hbase

cd /home/hbase/
bin/start-hbase.sh

启动成功，运行jps命令：

16572 Resin
30282 HMaster
5275 NameNode
5563 JobTracker
5461 SecondaryNameNode
5886 Jps
30470 HRegionServer

其中HMaster即hbase的主进程。

五：安装nutch 
解压（注：这个不需要解压到hadoop根目录，因为nutch是才操作hadoop的，在master上有就可以了）

cd /home/
tar -zxvf apache-nutch-2.2.1-src.tar.gz //将nutch解压到home下

vim /home/nutch-2.2.1/ivy/ivy.xml

将此行的注释去掉 <dependency org="org.apache.gora" name="gora-core" rev="0.3" conf="*->default"/> 
将hbase-site.xml拷贝到nutch的配置文件（建立与hbase的联系？？？）
ant 注解：编译过程很慢，会去加载大量的jar包。
注入种子： 

mkdir urls
vim seed.txt
http://news.163.com/
http://www.gov.cn/
http://www.sbsm.gov.cn/
http://news.stnn.cc/china/
http://www.zaobao.com/wencui/social
http://www.xinhuanet.com/politics/1.htm
http://news.china.com.cn/shehui/node_7185045.htm

上传的hdfs,完成种子url的注入

hadoop dfs -put urls urls

修改采集规则：

regex-urlfilter.txt
# accept anything else
+^http://news.163.com/
+^http://www.sbsm.gov.cn/
+^http://www.gov.cn/
+^http://news.stnn.cc/china/
+^http://www.zaobao.com/wencui/social
+^http://www.xinhuanet.com/politics
+^http://news.xinhuanet.com/politics/\d+-\d+/\d+/c_\d+.htm
+^http://news.china.com.cn/\d+-\d+/\d+/content_\d+.htm
+^http://news.china.com.cn/shehui/node_\d+(_\d+)?.htm

注解：conf 下面的配置文件都会被打包到ant后生成的job文件中，所以这里要提前修改（以后要是要注入新的采集规则需要解压job文件修改）
修改配置（集群环境运行） 

cd runtime/deploy
unzip -d apache-nutch-2.2.1 apache-nutch-2.2.1.job
rm apache-nutch-2.2.1.job
cd apache-nutch-2.2.1
rm lib/hbase-***.jar
cp /home/hadoop-1.2.1/hbase/hbase-0.92.1.jar lib
zip -r ../apache-nutch-2.1.job ./*
cd ..
rm -r apache-nutch-2.1 

运行命令：

cd runtime/deploy/bin
vim nutch 阅读shell发现：
# figure out which class to run
if [ "$COMMAND" = "crawl" ] ; then
class="org".apache.nutch.crawl.Crawler

发现crawl命令运行Crawler类

vim org.apache.nutch.crawl.Crawler （参考这个命令找到那个Crawler类）

得到命令格式为：

System.out.println("Usage: Crawler (<seedDir> | -continue) [-solr <solrURL>] [-threads n] [-depth i] [-topN N] [-numTasks N]");
cd /runtime/deploy

于是运行如下命令：

bin/nutch crawl urls -topN 1000 -depth 50

如果运气足够好，你会在Hbase shell 后 list 后 发现一个 'webpage' 表

附本人配置时候设置的 /etc/profile:

#java
export JAVA_HOME=/usr/java/jdk
export PATH=$JAVA_HOME/bin:$PATH
export CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar

#hadoop
export HADOOP_HOME=/home/hadoop-1.2.1
export PATH=$PATH:$HADOOP_HOME/bin

#zookeeper
export ZOOKEEPER_HOME=${HADOOP_HOME}/zookeeper
export PATH=${PATH}:${ZOOKEEPER_HOME}/bin

#hbase
export HBASE_HOME=/home/hadoop-1.2.1/hbase
export PATH=$PATH:$HBASE_HOME/bin
export CLASSPATH=$CLASSPATH:$HBASE_HOME/lib

#nutch 2.2
export NUTCH_HOME=/home/hadoop-1.2.1/nutch/runtime/local