一个简单搜索引擎的搭建过程（Solr+Nutch+Hadoop）

最近，因为未来工作的需要，我尝试安装部署了分布式爬虫系统Nutch，并配置了伪分布式的Hadoop来存储爬取的网页结果，用solr来对爬下来的网页进行搜索。我主要通过参考网上的相关资料进行安装部署的。但网上的资料很多比较乱，我也走了一些弯路。下面将我的安装过程记录下来，供大家参考。不足之处，请大家批评指正。
环境：操作系统是Ubuntu10.04，jdk是openjdk-7-jdk。

一、安装nutch1.6
    我曾直接下载部署nutch1.6的二进制文件，虽然可以成功爬取网页，但用solr来搜索下载好的网页时，总是无法成功。后来选择下载nutch1.6的源文件自己编译，则可以很好的和solr结合，完成搜索操作，并可以利用Hadoop平台来存储爬取的结果。以下是操作过程。
1、因为nutch的源代码是用svn来管理的，所以首先需要安装svn。如果机器中已经安装了svn，此步骤可以跳过。
sudo apt-get install subversion
2、将nutch的源代码从网上checkout。
svn co https://svn.apache.org/repos/asf/nutch/tags/release-1.6/ nutch
3、进入nutch文件夹下的conf文件夹，修改配置文件nutch-site.xml。在文件的<configuration>中加入下面内容
    <property>
        <name>http.agent.name</name>
        <value>My nutch agent</value>
    </property>
value值不能为空，否则会报错。
4、在nutch文件夹下，会发现有一个build.xml文件，它是ant的工作文件,用来编译、打包。我们在此目录中，用ant编译源程序。（若机器上没有安装ant，则通过命令：sudo apt-get install ant来安装）
    直接输入命令：ant
    第一次编译会耗费几分钟时间，因为需要下载该项目依赖的jar文件。以后再重新编译时，只需要十几秒就可以完成。编译、打包完后，会生成一个runtime文件夹。
6、进入到nutch目录下的runtime目录，会发现里面有两个文件夹：local、deploy。其中，local是用来直接爬取网页信息，存储在本地。而deploy是将爬取网页的任务提交给Hadoop，用MapReduce的方式来爬取网页信息，并将结果存储在HDFS上。下面会详细介绍如何使用它们。

二、基于Tomcat的solr的安装
1、安装solr
1）首先，执行以下命令，下载solr3.6.2
    wget http://mirror.bjtu.edu.cn/apache/lucene/solr/3.6.2/apache-solr-3.6.2.tgz
2）将压缩文件解压后，进入到解压文件的example目录，复制nutch的conf目录中的schema.xml文件到[solr_home]/example/solr/conf目录。(注：[solr_home]为解压后的solr目录名称，其他以此类推)
3）修改配置文件solr/conf/solrconfig.xml,将里面所有的<strname="df">text</str>都替换为<strname="df">content</str>。
2、安装配置tomcat
1) 去apach的官网http://tomcat.apache.org，下载Tomcat的最新版本apache-tomcat-7.0.39。
2）将压缩文件解压后，拷贝[solr_home]/example/webapps/solr.war文件到[tomcat_home]/webapps目录下。
3）将[solr_home]/example/ 下的solr目录拷贝到[tomcat_home]下。
4）在tomcat目录下的conf/Catalina/localhost 目录中（如果没有则手工创建该目录）创建solr.xml文件，文件内容如下：
<Context docBase="[tomcat_home]/webapps/solr.war" debug="0" crossContext="true" >
<Environment name="solr/home" type="java.lang.String" value="[tomcat_home]/solr" override="true" />
</Context>
5）修改[tomcat_home]/conf下的server.xml文件，找到<Connector port="8080" … 项（假设tomcat监听8080端口），添加编码方式，修改后如下：
<Connector port="8080" URIEncoding="UTF-8"…
6）启动tomcat。然后在浏览器中输入http://localhost:8080/solr/，出现欢迎界面则表示配置成功。
3、爬取网页并建立索引，用solr来进行搜索。
1）进入到[nutch_home]/runtime/local/,新建文件夹,命名为urls。在urls目录中，新建一个名为url.txt的文档，在文档中输入一个或多个要爬取的网页地址并保存（如：http://www.qq.com）。
2）在目录[nutch_home]/runtime/local/下，输入如下爬取网页的命令：
bin/nutch crawl urls -dir data -threads 20 -depth 3 -topN 100
该命令的意思是：爬取存放在目录urls中的文件里的网页地址对应的网页信息，启动20个线程来完成任务，仅抓取网页上的超链接形成的树形结构中（起始网页为根），深度不超过3层的网页。最终仅保存结果中的前100条，保存在当前目录下的data文件夹中。
3）运行如下命令，将结果映射到solr中（Tomcat必须先启动）
bin/nutch solrindex http://127.0.0.1:8080/solr/ data/crawldb -linkdb data/linkdb data/segments/*
4）通过网页访问http://127.0.0.1:8080/solr/admin/，就可以在Query String栏中，输入要搜索的文字进行搜索了。

三、基于伪分布式Hadoop的爬虫系统
1、安装单机版的伪分布式Hadoop系统。
    安装过程比较简单，网上有很多资料可以参考。我安装的版本是Hadoop1.0.4。
2、启动Hadoop的所有节点，将含有存放网页地址的文档的文件夹上传到HDFS上。
3、启动Tomcat。
4、进入到[nutch_home]/runtime/deploy/目录下，运行命令：
   bin/nutch crawl /user/guangpeng/urls/ -solr http://127.0.0.1:8080/solr -dir crawl -depth 3 -topN 100 -threads 5
其中，/user/guangpeng/urls/为存放网页地址的文档在HDFS上的地址。
5、通过网页访问http://127.0.0.1:8080/solr/admin/，就可以在Query String栏中，输入要搜索的文字进行搜索了。

四、主要参考文档

http://wiki.apache.org/nutch/NutchTutorial
http://wiki.apache.org/solr/
http://yangshangchuan.iteye.com/blog/1837935
http://www.cnblogs.com/sirhuoshan/archive/2013/04/24/3040158.html

致谢

感谢小潘同学在百忙中帮我审阅稿件。