从零开始搭建nutch搜索引擎

最新推荐文章于 2017-10-21 11:09:57 发布

starstarstone

最新推荐文章于 2017-10-21 11:09:57 发布

阅读量1k

点赞数

CC 4.0 BY-SA版权

文章标签：搜索引擎 tomcat java 网络数据库浏览器

本文链接：https://blog.youkuaiyun.com/starstarstone/article/details/6413572

本文详细介绍了如何安装配置Nutch 1.2和Tomcat 6来搭建一个简单的网络爬虫及搜索引擎的过程，包括环境变量设置、URL文件创建、爬虫配置与启动等关键步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

我载nutch1.2并解压：
# wget http://apache.etoak.com//nutch/apache-nutch-1.2-bin.tar.gz .
# tar zxvf apache-nutch-1.2-bin.tar.gz
下载tomcat6并解压：
# wget http://apache.etoak.com/tomcat/tomcat-6/v6.0.32/bin/apache-tomcat-6.0.32.tar.gz
# tar zxvf apache-tomcat-6.0.32.tar.gz
设置JAVA环境变量
在~/.bashrc结尾处添加：export JAVA_HOME=/usr/lib/jvm/java-1.6.0-openjdk-1.6.0.0/jre，重启终端后生效。
配置nutch
创建初始url文件，并写入一个（或多个）url # cd nutch-1.2
# mkdir urls.test
# echo http://www.sina.com/ > urls.test/iniurls
修改文件conf/crawl-urlfilter.txt：将MY.DOMAIN.NAME替换为sina.com，或者干脆去掉，只留+^http:// 修改文件conf/nutch-default.xml：将http.agent.name的value写为my nutch agent（或其他任意值）
开始抓取网络数据
# ./bin/nutch crawl urls.test/iniurls -depth 3 >& crawl.log
运行完毕后生成文件夹crawl-20110513015802（文件名标识开始爬虫开始时间），若想指定文件夹名字，可在上述命令中加参数 -dir dirname
配置搜索引擎
进入apache-tomcat-6.0.32/webapps/ROOT #cd ../apache-tomcat-6.0.32/webapps/ROOT/
删除所有文件 # rm -rf * 解压nutch-1.2/nutch-1.2.war到上述目录
# jar xvf nutch-1.2.war
修改apache-tomcat-6.0.32/webapps/ROOT/WEB-INF/classes/nutch-site.xml，导入已爬取的网络数据的数据库
<?xml version="1.0"?> <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>  <configuration> <property> <name>searcher.dir</name> <value>/我的文件夹/nutch-1.2/crawl-20110513015802/crawldb</value> </property> </configuration>
测试搜索引擎
开启tomcat6
# cd apache-tomcat-6.0.32
# ./bin/startup.sh
若以上顺利，在浏览器中输入http://localhost:8080，会见到nutch的搜索界面
未完待续（修正中文乱码问题）