Ubuntu环境下Nutch+Tomcat 搭建简单的搜索引擎

简易的搜索引擎搭建

我的配置：

Nutch：1.2

Tomcat：7.0.57

1 Nutch设置

修改Nutch配置

1.1 修改conf/nutch-site.xml

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
 
<!-- Put site-specific property overrides in this file. -->
 
<configuration>
 
    <!--property> 
    <name>storage.data.store.class</name> 
    <value>org.apache.gora.hbase.store.HBaseStore</value> 
    <description>Default class for storing data</description> 
    </property> 
    <property>
    <name>http.agent.name</name> 
    <value>xxx0624-ThinkPad-Edge</value> 
    </property-->

<property>
  <name>http.agent.name</name>
  <value>nutch1.0</value>
</property>
    
<property>
  <name>plugin.folders</name>
  <value>./plugins</value>
</property>

</configuration>

1.2 修改conf/crawl-urlfilter.txt

# accept hosts in MY.DOMAIN.NAME
+^http://([a-z0-9]*.)*sohu.com/

找到该处进行修改。我的是以sohu网为例。表示只爬取sohu.com结尾的网页。

1.3 增加文件夹

在nutch目录下mkdir一个新的文件夹 名字为urls，再在里面建立一个空的txt文件 名字为urls.txt。

在urls.txt中写入要爬取的网页地址：如http://www.sohu.com/

1.4 开始爬取

命令：

bin/nutch crawl urls/urls.txt -dir crawled -depth 5 -threads 5 -topN 200

crawled指爬取网页的结果的存储位置，当爬取结束时，会自动生成5个文件夹：crawldb，index，indexes，linkdb，segments

2 tomcat设置

2.1 将nutch编译后的war包放在tomcat的webapps下，再启动tomcat，再在生成的nutch1.2文件夹下修改WEB-INF/classes/nutch-sites.xml

<property>    
    <name>searcher.dir</name>    
    <value>/home/xxx0624/nutch-1.2/crawled</value>    
</property>  

这是设置抓取网页信息的文件位置

2.2 针对中文乱码修改

2.2.1 修改tomcat配置文件conf/server.xml

<Connector port="8080" protocol="HTTP/1.1"    
connectionTimeout="20000"    
redirectPort="8443"    
URIEncoding="UTF-8"    
useBodyEncodingForURI="true"/> 

增加其中的URIEncoding和useBodyEncodingForURI

2.2.2 修改nutch-1.2/cache.jsp

找到这一部分

Metadata metaData = bean.getParseData(details).getContentMeta();
ParseData ParseData = bean.getParseData(details);  
  String content = null;
 // String contentType = (String) metaData.get(Metadata.CONTENT_TYPE);
String contentType = ParseData.getMeta(Metadata.CONTENT_TYPE);
  if (contentType.startsWith("text/html")) {
    // FIXME : it's better to emit the original 'byte' sequence 
    // with 'charset' set to the value of 'CharEncoding',
    // but I don't know how to emit 'byte sequence' in JSP.
    // out.getOutputStream().write(bean.getContent(details)) may work, 
    // but I'm not sure.
    //String encoding = (String) metaData.get("CharEncodingForConversion"); 
    String encoding = ParseData.getMeta("CharEncodingForConversion"); 
    if (encoding != null) {
      try {
        content = new String(bean.getContent(details), encoding);
      }
      catch (UnsupportedEncodingException e) {
        // fallback to windows-1252
        content = new String(bean.getContent(details), "windows-1252");
      }
    }
    else 
 content = new String(bean.getContent(details),"GBK"); 
      //content = new String(bean.getContent(details));

3 开始实验

重启tomcat

通过浏览器访问：http://localhost:8080/nutch-1.2