一、环境准备
首先肯定是配置开发环境，这里暂时不作详细描述。
需要的环境有jdk1.7，MyEclipse，SVN，ant，以及MyEclipse下的三个插件subclipse 、IvyDe和m2e，下载地址http://subclipse.tigris.org/update_1.8.x和http://www.apache.org/dist/ant/ivyde/updatesite以及http://download.eclipse.org/technology/m2e/releases。
二、从svn检出项目，地址https://svn.apache.org/repos/asf/nutch/tags/release-2.2.1
Finish完成导入。
三、 修改ivy目录下的ivysetting.xml地址http://mirrors.ibiblio.org/maven2/（只有这个地址访问是正常的，其余的地址我尝试访问不了）
四、 修改ivy目录下的ivy.xml（增加mysql访问依赖java包）
修改gora-core版本为0.2.1，并解除注释gora-sql和mysql-connector-java
五、 Cd 到目录执行Ant eclipse(直接在Eclipse下ant build貌似有问题)
六、 回到Eclipse工程，刷新项目，会发现目录结构已经发生变化
七、 看到还有一个错误，是编码的问题，工程右键Properties -> Resource ->utf-8
八、 工程右键Build Path->Config Build Path->Order and Export下选中Conf 文件夹置顶
九、 修改Conf文件夹下gora.properties配置mysql
#Default MySQL properties # ############################### gora.datastore.default=org.apache.gora.sql.store.SqlStore gora.datastore.autocreateschema=true gora.sqlstore.jdbc.driver=com.mysql.jdbc.Driver gora.sqlstore.jdbc.url=jdbc:mysql://localhost:3306/nutch?createDatabaseIfNotExist=true&useUnicode=true&characterEncoding=utf8&autoReconnect=true&zeroDateTimeBehavior=convertToNull gora.sqlstore.jdbc.user=root gora.sqlstore.jdbc.password=123456
十、工程目录下新建文件夹urls，urls目录下新建一个文件url，里面输入要爬取的root_url，比如http://www.qq.com
十一、配置conf目录下nutch-site.xml
<property> <name>http.agent.name</name> <value>YourNutchSpider</value> </property> <property> <name>http.accept.language</name> <value>ja-jp, en-us,en-gb,en,zh-cn,zh-tw;q=0.7,*;q=0.3</value> <description>Value of the “Accept-Language” request header field. This allows selecting non-English language as default one to retrieve. It is a useful setting for search engines build for certain national group.</description> </property> <property> <name>parser.character.encoding.default</name> <value>utf-8</value> <description>The character encoding to fall back to when no other information is available</description> </property> <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>
</pre><pre name="code" class="html"><!-- 为解决utf-8类中的空指针问题 --> <property> <span> </span><name>generate.batch.id</name> <span> </span><value>*</value> </property> <property> <name>storage.data.store.class</name> <value>org.apache.gora.sql.store.SqlStore</value> <description>The Gora DataStore class for storing and retrieving data. Currently the following stores are available: ….</description> </property>
十二、 配置完上述步骤后配置命令运行Run Configuration选择org.apache.nutch.crawl.Crawler，参数设置urls -depth 3 -topN 5和-Dhadoop.log.dir=logs -Dhadoop.log.file=hadoop.log
这时运行会遇到错误Exception in thread "main" java.io.IOException: Failed to set permissions of path: mphadoop-AdministratormapredstagingAdministrator606301699.staging to 0700
十三、上述错误一般只是windows下才会遇到的，所以我们一般的做法是找到Hadoop-core-1.2.0源码中的org.apache.hadoop.fs下的FileUtil.java修改其中的CheckReturnValue方法，注释掉其中的内容
private static void checkReturnValue(boolean rv, File p,
FsPermission permission
) throws IOException {
// if (!rv) {
// throw new IOException("Failed to set permissions of path: " + p +
// " to " +
// String.format("%04o", permission.toShort()));
// }
}
然后编译成java包替换我们工程build/lib下的hadoop-core-1.2.0.jar。
另外一种方法是找到FileUtil.java编译过后的class文件，替换掉jar包中相应的class文件FileUtil.clas和FileUtil$CygPathCommand.clas（用压缩软件打开就行）
附上已修改编译的Hadoop-core-1.2.0.jar文件，包含单独的FileUtil.class文件，链接http://download.csdn.net/detail/cvj1991/7727299（1个积分，有钱的捧个钱场）和直接下载链接https://files.cnblogs.com/e-life/hadoop-core-1.2.0.rar
十四、接下来再运行就没有问题
这里注意，你会发现mysql数据库中很多记录除了id，status这几个基本字段有数据外其他值都是null，这是正常情况，请注意status字段，
status 记录抓取状态
1 unfetched (links not yet fetched due to limits set in regex-urlfilter.txt, -TopN crawl parameters, etc.)
2 fetched (page was successfully fetched)
3 gone (that page no longer exists)
4 redir_temp (temporary redirection — see reprUrl below for more details)
5 redir_perm (permanent redirection — see reprUrl below for more details)
34 retry
38 not modified
这是因为我们的topN设置太小，所以很多url被限制抓取了（当然还有可能是url被regex-urllfilter过滤了），自己注意一下就好了。
Good Job，到此我们就完成了整个流程的配置和运行。