solr/lucene和nutch/lucene的区别

lucene是一个做搜索用的类库。
nutch和solr都是基于lucene的，二者都是可直接运行的应用程序。
solr是lucene的服务器化，内嵌了jetty，提供REST接口，
用户可以直接post数据给solr，然后由solr进行索引。
solr不包含下载系统，用户需要负责下载，转成solr所需要的格式。
solr还提供查询接口供用户查询。
nutch可以看成一个out-of-box的搜索引擎，包含了crawler，indexer和查询接口。
但nutch更偏向于下载系统。
一般可以使用nutch做crawler，而使用solr做indexer和查询接口。

 

 

====================================================

Nutch和Solr是两个由Apache成员创建的实用工具，你可以使用Nutch抓取网页，使用Solr索引你得到的数据。
除了索引各类网站，这些工具还有很多其他功能，本文将不涉及这些，而是一篇针对如何使用Nutch抓取网页并使用Solr索引并搜索你抓取的数据的新手指南。

本文将不会讨论它们如何工作的大量细节，而会告诉你如何运行一个爬虫和建立索引，我将假设你已经搭建好了tomcat服务器。
1、确认你已正确安装JAVA并正确设置了JAVA_HOME和CLASSPATH变量。
2、下载并解压apache-nutch-1.3-bin.tar.gz（http://nutch.apache.org）和apache-solr-3.3.0.gz （http://lucene.apache.org/solr/）到不同的文件夹下。

cd $HOME/nutch-1.3/runtime/local，以下NUTCH_ROOT即为此目录

chmod +x bin/nutch
3、设置Nutch:编辑NUTCH_ROOT/conf/nutch-default.xml，设置http.agent.name的value为你的爬虫的名字。
创建文件夹NUTCH_ROOT/crawl
创建文件NUTCH_ROOT/urls/nutch，输入你想抓取的所有网址，每行一个，确保包括"http://"和结尾的斜杠"/"。

Nutch 1.3版本移除了crawl-urlfilter.txt，因此如果需要抓取动态网页，只需修改编辑文件NUTCH_ROOT/conf/regex-urlfilter.txt，找到行

# skip URLs containing certain characters as probable queries, etc.
-[?*!@=]

这两行意思是跳过在连接中存在? * ! @ = 的页面，因为默认是跳过所以，在动态页中存在?，按照此默认设置是不能抓取到的。可以在上面2个文件中都修改成：
# skip URLs containing certain characters as probable queries, etc.
# -[?*!@=]
另外增加允许的一行
# accept URLs containing certain characters as probable queries, etc.
+[?=&]
意思是抓取时候允许抓取连接中带 ? = & 这三个符号的连接
4、设置Solr:拷贝NUTCH_ROOT/conf目录下所有文件至SOLR_ROOT/example/solr/conf，覆盖任何可能存在的文件。
编辑SOLR_ROOT/example/solr/conf/schema.xml，将修改行71关于存储属性的设置由false改为true。
编辑SOLR_ROOT/example/solr/conf/solrconfig.xml，将以下行加到第一个requestHandler标签之上：
<requestHandler name="/nutch" class="solr.SearchHandler" >
<lst name="defaults">
<str name="defType">dismax</str>
<str name="echoParams">explicit</str>
<float name="tie">0.01</float>
<str name="qf">
content^0.5 anchor^1.0 title^1.2
</str>
<str name="pf">
content^0.5 anchor^1.5 title^1.2 site^1.5
</str>
<str name="fl">
url
</str>
<str name="mm">
2&lt;-1 5&lt;-2 6&lt;90%
</str>
<int name="ps">100</int>
<str name="q.alt">*:*</str>
<str name="hl.fl">title url content</str>
<str name="f.title.hl.fragsize">0</str>
<str name="f.title.hl.alternateField">title</str>
<str name="f.url.hl.fragsize">0</str>
<str name="f.url.hl.alternateField">url</str>
<str name="f.content.hl.fragmenter">regex</str>
</lst>
</requestHandler>
5、启动Solr:$ cd SOLR_ROOT/example
$ java -jar start.jar
6、启动爬虫：$ cd NUTCH_ROOT
启动命令有如下选项：-dir 指定抓取的数据存放的目录
-threads 指定同时抓取的线程数（可选）
-depth 指定从根页面起希望抓取的链接层级数
-topN 指定每层链接要抓取的最大网页数
你可以设置任意数字，一般情况下数字越大抓取的数据越多。抓取的时间也越长。
例如，下面这个抓取命令可能要用上一两天时间
$ NUTCH_ROOT/bin/nutch crawl urls -dir crawl -depth 20 -topN 2000000
7、索引抓取结果：
$ bin/nutch solrindex http://HOST_ADDRESS:8983/solr/ crawl/crawldb crawl/linkdb crawl/segments/*
这里的端口号和下面提到的端口号依据你的服务器设置而定，访问http://HOST_ADDRESS:8983/solr/admin，查看缺省的Solr管理面板，搜索索引。
当你到达结果页后，你可以在地址栏看到url，点击url你也可以看到XML的结果。
依据以上步骤，你将拥有你自己的一个迷你搜索引擎。它将只会搜索你所指定的网址，但你了解更多后，你将发现Nutch和Sorl能帮你实现更多神奇的事情。目前有关这些工具的友好的文档还不够丰富，下面的几个链接能帮助你开始你的探索旅程：
Nutch Wiki:http://wiki.apache.org/nutch/
Solr Wiki:http://wiki.apache.org/solr/FrontPage
Lucid Imagination:http://www.lucidimagination.com/

 

=============================================================

Nutch1.4

最近一段在研究Nutch、Solr，Nutch 把数据 存放在 HDFS 上，想探讨一下 Nutch 是怎么把数据存储到HDFS 上，查看源码分析。

在看 Nutch 源码时，没有找到一点于 Lucene 关联的内容，Nutch 把所有的，都按自己的重新写了一遍，NutchDocument、NutchField ，都 实现 Hadoop的 Writable 接口。这样就很容易的写到了 HDFS 上。

Nutch 可以 用 把数据传输给 Solr

bin/nutch solrindex http://127.0.0.1:8983/solr/ crawldb -linkdb crawldb/linkdb crawldb/segments/*

这个命令调用的是：org.apache.nutch.indexer.solr.SolrIndexer

在上面会 MapReduce 的配置 及启动。查看Reduce的实现，没有任何的 向Solr 写内容的代码，在初始化Job的时候

NutchIndexWriterFactory.addClassToConf(job, SolrWriter.class);

有一个这样的类，SolrWriter ，在这个里面可以找到相关与Solr交互的代码。

而Solr 里，接收请求的是：BinaryUpdateRequestHandler ，会把 Nutch 传进来的 内容 转换成 Lucene 的索引