nutch0.9实现抓取动态网页部署笔记

一：准备工作：

    1：下载nutch，地址是：http://www.apache.org/dist/lucene/nutch/

    2：下载JDK6（一定要是jdk6的版本，否则会报错），地址是：

http://java.sun.com/javase/downloads/index.jsp

     3：下载Cygwin(是一个在windows平台上运行的unix模拟环境的软件)，地址是：http://www.cygwin.com/ 安装说明参考这里：
     4：下载tomcat6，地址是：http://tomcat.apache.org/

二：配置：（前面的软件都安装完毕）
     1：解压缩的nutch后，到conf下面修改crawl-urlfilter.txt
# accept hosts in MY.DOMAIN.NAME
+^http://([a-z0-9]*\.)*apache.org/
+^http://([a-z0-9]*\.)*longtask.com/blog/
如果有需要可以继续添加相关的站点.
     2：修改conf下面的nutch-site.xml文件，在<configuration>之间添加以下内容

<property>
  <name>http.agent.name</name>
  <value>longtask</value>
  <description>HTTP ‘User-Agent’ request header. </description>
</property>
<property>
  <name>http.agent.description</name>
  <value>longtask</value>
  <description>Further description of our bot- this text is used in the User-Agent header.  
  </description>
</property>
<property>
  <name>http.agent.url</name>
  <value>http://www.longtask.com/blog/</value>
  <description>A URL to advertise in the User-Agent header.  
  </description>
</property>
<property>
  <name>http.agent.email</name>
  <value>[e-mail]</value>
  <description>An email address to advertise in the HTTP ‘From’ reques header and User-Agent header. 
  </description>
</property>

     3：回到到nutch的根目录，进入bin目录，建一个urls的文件夹，在文件夹中建一个nutch.txt的问题件，在文件中加入上面要鉴权的Url地址（抓取的网址(nutch.txt)经过(crawl-urlfilters.xml)过滤后，如果没有内容会在log中报错：Stopping at depth=0 – no more URLs to fetch.）。这个地方用nutch1.0怎么都跑不过，只能换回0.9的版本了。

三：解决搜索动态内容的问题：
     需要注意在conf下面的2个文件：regex-urlfilter.txt，crawl-urlfilter.txt
     # skip URLs containing certain characters as probable queries, etc.
     -[?*!@=] （-改+）
     这段意思是跳过在连接中存在? * ! @ = 的页面，因为默认是跳过所以，在动态页中存在？一般按照默认的是不能抓取到的。可以在上面2个文件中都修改成：
     # skip URLs containing certain characters as probable queries, etc.
     # -[?*!@=]
     另外增加允许的一行
     # accept URLs containing certain characters as probable queries, etc.
     +[?=&]
    意思是抓取时候允许抓取连接中带 ? = & 这三个符号的连接
     注意：两个文件都需要修改，因为NUTCH加载规则的顺序是crawl-urlfilter.txt-> regex-urlfilter.txt

四：运行爬虫，抓取内容：
     打开Cygwin,
     在命令行窗口中输入：  cd nutch的目录/bin
     执行命令：
        sh nutch crawl urls -dir e:/index -depth 3 -threads 4 -topN 50 >& ./log.txt
说明：
-dir  dirnames      设置保存所抓取网页的目录.
-depth  depth   表明抓取网页的层次深度
-delay  delay    表明访问不同主机的延时，单位为“秒”
-threads  threads      表明需要启动的线程数
-topN number    在每次迭代中限制爬行的头几个链接数,默认是Integer.MAX_VALUE
运行结束后，查看log.txt日志，会有爬虫检索网页的详细信息。
     问题的解决：运行的过程中报错：
Stopping at depth=0 – no more URLs to fetch.
No URLs to fetch – check your seed list and URL filters.
在urls的nutch.txt中再添加一个URL即可，这个是nutch0.9的bug（如果是1.0这个地方不知道怎么搞定，所以改回0.9来部署了。）

五：部署到tomcat下面：
     1:配置nutch-0.9.war包中的文件
a：修改nutch-0.9.war\WEB-INF\web.xml
<?xml version="1.0" encoding="ISO-8859-1"?>
为
<?xml version="1.0" encoding="UTF-8"?>
b：修改nutch-0.9.war\WEB-INF\class\nutch-site.xml
注意：不要让你的config中有2个<configuration>，否则的话检索不出来东西。

<configuration>
  <property>
    <name>searcher.dir</name>
    <value>e:/index</value>
  </property>
</configuration>

     2:把应用部署到tomcat的webapps下面，启动tomcat，访问应用：http://localhost:8080/nutch-0.9就可以得到以下界面：
输入访问的条件后，结果如下：