01. Nutch 1.11 安装使用步骤 (初步例子完成)

下载安装 (需要下载bin的zip版本, 否则bin目录下没有 运行脚本)
http://www.apache.org/dyn/closer.lua/nutch/1.11/apache-nutch-1.11-bin.zip

解压放入Documents目录下

1. 检查是否安装 解压成功

   wdxxl@ubuntu:~/Documents/apache-nutch-1.11$ bin/nutch 
   

bin/nutch
Perl wdxxl@ubuntu:~/Documents/apache-nutch-1.11$ bin/crawl
bin/crawl

1. 配置Nutch (在conf/nutch-site.xml加入http.agent.name的属性)

   wdxxl@ubuntu:~/Documents/apache-nutch-1.11$ gedit conf/nutch-site.xml
   

gedit conf/nutch-site.xml

2. 定义seed URLs

   wdxxl@ubuntu:~/Documents/apache-nutch-1.11/bin$ mkdir -p seed_urls
   wdxxl@ubuntu:~/Documents/apache-nutch-1.11/bin$ cd seed_ urls/
   wdxxl@ubuntu:~/Documents/apache-nutch-1.11/bin/urls$ touch seed.txt
   wdxxl@ubuntu:~/Documents/apache-nutch-1.11/bin/urls$ echo http://wdxxl.github.io/ >seed.txt
   wdxxl@ubuntu:~/Documents/apache-nutch-1.11/bin/urls$ cat seed.txt
   

seed.txt

3. 爬虫

   wdxxl@ubuntu:~/Documents/apache-nutch-1.11/bin$ ./crawl seed_urls crawl_dir 1
   或
   wdxxl@ubuntu:~/Documents/apache-nutch-1.11/bin$ ./crawl seed_urls crawl_data 3 (这样至少wdxxl.github.io可以取完全集)
   

./crawl

  注意可能linux的文件修改还是会影响crawl的内容，比如如下信息
  ````Perl
  wdxxl@ubuntu:~/Documents/apache-nutch-1.11/bin/seed_urls$ rm seed.txt~
  ````

4. 检查状态 crawldb

   wdxxl@ubuntu:~/Documents/apache-nutch-1.11/bin$ ./nutch readdb crawl_dir/crawldb/ -stats
   

./nutch readdb crawl_dir/crawldb/ -stats

5. 导出数据到文件 (少了一点信息，主要是爬虫的 Num Round 只选择了1而已吧)

   wdxxl@ubuntu:~/Documents/apache-nutch-1.11/bin$ ./nutch readdb crawl_dir/crawldb -dump output/crawldb
   

./nutch readdb crawl_dir/crawldb -dump output/crawldb
part-00000

6. 启动Solr服务器 solr-4.10.4.tgz
   solr的schema文件准备

   wdxxl@ubuntu:~$ cp ~/Documents/apache-nutch-1.11/conf/schema.xml ~/Documents/solr-4.10.4/example/solr/collection1/conf
   

开启solr服务器 （默认solr4.10.4自带一个collection1）

开启solr服务器
关闭solr服务器
关闭solr服务器
爬虫结果 导入 Solr
Perl wdxxl@ubuntu:~/Documents/apache-nutch-1.11/bin$ ./nutch solrindex http://localhost:8983/solr/ crawl_dir/crawldb -linkdb crawl_dir/linkdb/ crawl_dir/segments/*
Solr 服务器页面查询
Solr 服务器页面查询
Luke 打开solr数据文件
Luke 打开solr数据文件