Nutch 学习笔记 2

1. Nutch 1.3 运行命令的一些介绍

   要看Nutch的命令说明，可执行如下命令bin/nutch
  

[html]  view plain copy

1.  Usage: nutch [-core] COMMAND  
2.     where COMMAND is one of:  
3.     crawl             one-step crawler for intranets  
4.     readdb            read / dump crawl db  
5.     convdb            convert crawl db from pre-0.9 format  
6.     mergedb           merge crawldb-s, with optional filtering  
7.     readlinkdb        read / dump link db  
8.     inject            inject new urls into the database  
9.     generate          generate new segments to fetch from crawl db  
10.     freegen           generate new segments to fetch from text files  
11.     fetch             fetch a segment's pages  
12.     parse             parse a segment's pages  
13.     readseg           read / dump segment data  
14.     mergesegs         merge several segments, with optional filtering and slicing  
15.     updatedb          update crawl db from segments after fetching  
16.     invertlinks       create a linkdb from parsed segments  
17.     mergelinkdb       merge linkdb-s, with optional filtering  
18.     solrindex         run the solr indexer on parsed segments and linkdb  
19.     solrdedup         remove duplicates from solr  
20.     solrclean         remove HTTP 301 and 404 documents from solr  
21.     plugin            load a plugin and run one of its classes main()  
22.    or  
23.     CLASSNAME         run the class named CLASSNAME  
24. Most commands print help when invoked w/o parameters.  
25.   
26.   
27. Expert: -core option is for developers only. It avoids building the job jar,   
28.         instead it simply includes classes compiled with ant compile-core.   
29.         NOTE: this works only for jobs executed in 'local' mode  

2. 单个命令的说明

2.1 bin/nutch crawl

Usage: Crawl <urlDir> -solr <solrURL> [-dir d] [-threads n] [-depth i] [-topN N]
这是用于对urls进行一键式抓取的命令

2.2 bin/nutch readdb 

Usage: CrawlDbReader <crawldb> (-stats | -dump <out_dir> | -topN <nnnn> <out_dir> [<min>] | -url <url>)
这是用于对crawldb数据库进行读取的命令，主要是用于dump相应的url文件

2.3 bin/nutch convdb 

这个命令主要用于把nutch 0.9的crawldb数据转换成1.3的格式

2.4 bin/nutch mergedb

Usage: CrawlDbMerger <output_crawldb> <crawldb1> [<crawldb2> <crawldb3> ...] [-normalize] [-filter]
这个命令主要用于合并多个crawldb数据库

2.5 bin/nutch readlinkdb

Usage: LinkDbReader <linkdb> {-dump <out_dir> | -url <url>)
主要用于读取invertlinks产生的链接数据

2.6 bin/nutch inject

Usage: Injector <crawldb> <url_dir>
主要用于把url_dir中的url注入到crawldb数据库中去

2.7 bin/nutch generate

Usage: Generator <crawldb> <segments_dir> [-force] [-topN N] [-numFetchers numFetchers] [-adddays numDays] [-noFilter] [-noNorm][-maxNumSegments num]
用于产生准备抓取的url列表

2.8 bin/nutch freegen

Usage: FreeGenerator <inputDir> <segmentsDir> [-filter] [-normalize]
从文本文件中提取urls来产生新的抓取segment

2.9 bin/nutch fetch

Usage: Fetcher <segment> [-threads n] [-noParsing]
主要用来对generate产生的urls进行抓取，这里用到了Hadoop架构，使用了一个FetcherOutputFormat来对其结果进行多目录输出

2.10 bin/nutch parse

Usage: ParseSegment segment
主要是对抓取的内容进行分析

2.11 bin/nutch readseg

Usage: SegmentReader (-dump ... | -list ... | -get ...) [general options]
这个命令主要是输出segment的内容

2.12 bin/nutch invertlinks

Usage: LinkDb <linkdb> (-dir <segmentsDir> | <seg1> <seg2> ...) [-force] [-noNormalize] [-noFilter]
这个命令主要是得到抓取内容的外链接数据

2.13 bin/nutch solrindex

Usage: SolrIndexer <solr url> <crawldb> <linkdb> (<segment> ... | -dir <segments>)
对抓以的内容进行索引建立，前提是要有solr环境。

2.14 bin/nutch plugin

Usage: PluginRepository pluginId className [arg1 arg2 ...]
这个命令主要对插件进行测试，运行其main方法