原文地址:http://blog.sina.com.cn/s/blog_7645c67301017ban.html
1、下载nutch1.2到指定一个目录下,并打开eclipse新建一个java工程。并选择"Create project from existing source",指向nutch目录。
2、下一步操作,切换到"Libraries"选择"Add Class Folder..." 按钮,从列表中选择"conf",继续操作:切换到"Order and Export"找到"conf",把它移到顶。
3、到"Source"将output folder设置为Nutch /bin/tmp_build,点击finish完成导入。
4、 配置文件:nutch-default.xml,nutch-site.xml,crawl-urlfilter.txt。
1) nutch-default.xml
修改此处:
<property> <name>plugin.folders</name> <value>./src/plugin</value> <description>Directories where nutch plugins are located. Each element may be a relative or absolute path. If absolute, it is used as is. If relative, it is searched for on the classpath.</description> </property>
2)nutch-site.xml
在<configuration></configuration>中添加:
<property> <name>http.agent.name</name> <value>my nutch agent</value> </property> <property> <name>http.agent.version</name> <value>1.2</value> </property>
3)crawl-urlfilter.txt
删除:MY.DOMAIN.NAME
添加:+^http://([a-z0-9]*/.)*qq.com/
下面是自己的做法:直接就是accept anything else 配置成“+.”。
在nutch目录新建weburls.txt,并添加入口地址:http://www.qq.com
5、执行抓取
运行crawl 可执行类
配置运行环境:
Program arguments:
bin/nutch crawl weburls.txt -dir localweb -depth 50 -topN 100 -threads 2
VM arguments:
-Dhadoop.log.dir=logs -Dhadoop.log.file=hadoop.log
6)有可能会碰到一些报错的情况,例如找不到类。这时候可能需要用ant重新编译一下nutch,切换到nutch的安装根目录,然后执行ant命令,成功编译后,再试试看。
PS:本文蓝色部分为自己的做法,其它参考于其它文章。