环境
Linux版本:CentOS 6.5 JDK版本:JDK 1.7 Nutch版本:Nutch 1.7 Solr版本:Solr 4.7 IK版本:IK-Analyzer 2012 |
目录
1.安装JDK
2.安装Solr
3.为Solr配置IK分词
4.安装Nutch
内容
1.安装JDK
1.1 在/usr/下创建java/目录,下载JDK包并解压
[[email protected] ~]# mkdir /usr/java [[email protected] ~]# cd /usr/java [[email protected] ~]# curl -O http://download.oracle.com/otn-pub/java/jdk/7u75-b13/jdk-7u75-linux-x64.tar.gz [[email protected] java]# tar –zxvf jdk-7u75-linux-x64.gz
1.2 设置环境变量
[[email protected] java]# vi /etc/profile
添加以下内容:
#set JDK environment JAVA_HOME=/usr/java/jdk1.7.0_75 JRE_HOME=$JAVA_HOME/jre CLASS_PATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar:$JRE_HOME/lib PATH=$PATH:$JAVA_HOME/bin:$JRE_HOME/bin export JAVA_HOME JRE_HOMECLASS_PATH PATH
使修改生效:
[[email protected] java]# source /etc/profile
1.3 验证
[[email protected] java# java -version
2.安装Solr
2.1 在/usr/下创建solr目录,下载Solr安装包并解压
[[email protected] ~]# mkdir /usr/solr [[email protected] ~]# cd /usr/solr [[email protected] solr]# curl -O http://archive.apache.org/dist/lucene/solr/4.7.0/solr-4.7.0.tgz [[email protected] solr]# tar –zxvfsolr-4.7.0.tgz
2.2 启动Jetty
这里使用Solr自带的Jetty服务器
[[email protected] solr]# cd solr-4.7.0/example [[email protected] example]# java -jar start.jar
2.3 验证
在浏览器输入:http://10.192.87.198:8983/solr#/collection1/query
3.为Solr配置IK分词
3.1 下载IK-Analyzer-2012
解压之后,将IKAnalyzer.cfg.xml、IKAnalyzer2012_FF.jar、stopword.dic三个文件上传到/usr/solr/solr-4.7.0/example/solr-webapp/webapp/WEB-INF/lib/目录下
3.2 修改/usr/solr/solr-4.7.0/example/solr/collection1/conf/schema.xml配置文件
[[email protected] solr]# cd /usr/solr/solr-4.7.0/example/solr/collection1/conf/ [[email protected] solr]# vi schema.xml
在<type></types>中增加如下内容:
<fieldTypename="text_ik" class="solr.TextField"> <analyzer type="index"isMaxWordLength="false"class="org.wltea.analyzer.lucene.IKAnalyzer"/> <analyzer type="query"isMaxWordLength="true" class="org.wltea.analyzer.lucene.IKAnalyzer"/> </fieldType>
3.3 验证
重启Solr,打开http://10.192.87.198:8983/solr/#/collection1/analysis,测试一下:
分词结果:
4.安装Nutch
4.1 在/usr/下创建nutch目录,下载Nutch安装包并解压
[[email protected] ~]# mkdir /usr/nutch [[email protected] ~]# cd /usr/nutch [[email protected] nutch]# curl -O http://archive.apache.org/dist/nutch/1.7/apache-nutch-1.7-bin.tar.gz [[email protected] nutch]# tar –zxvf apache-nutch-1.7-bin.tar.gz
4.2 修改nutch-site.xml配置文件
[[email protected] nutch]# cd apache-nutch-1.7/conf [[email protected] conf]# vi nutch-site.xml
在<configuration>..</configuration>中添加字段,如下:
<configuration> <property> <name>http.agent.name</name> <value>Friendly Crawler</value> </property> <property> <name>parser.skip.truncated</name> <value>false</value> </property> </configuration>
4.3 修改regex-urlfilter.txt文件,设置过滤规则
[[email protected] conf]# vi nutch-site.xml
这里是以正则表达式匹配你希望爬取的网站的地址。
如下面例子,用正则表达式来限制爬虫的范围仅限于sohu.com这个域
修改前:
+.
修改后:
+^http://([a-z0-9]*\.)*sohu.com
4.4 设定所要爬取的网站
[[email protected] conf]# cd /usr/nutch/apache-nutch-1.7 [[email protected] apache-nutch-1.7]# mkdir urls [[email protected] apache-nutch-1.7]# echo "http://www.sohu.com">urls/seed.txt
4.5 执行命令,进行爬取
[[email protected] apache-nutch-1.7]# bin/nutch crawl urls -dir crawl -depth 2 -topN 5
使用tree查看/usr/nutch/apache-nutch-1.7/crawl目录
[[email protected] apache-nutch-1.7]# tree crawl/ crawl/ ├── crawldb │ ├── current │ │ └── part-00000 │ │ ├── data │ │ └── index │ └── old │ └── part-00000 │ ├── data │ └── index ├── linkdb │ └── current │ └── part-00000 │ ├── data │ └── index └── segments ├── 20150326234924 │ ├── content │ │ └── part-00000 │ │ ├── data │ │ └── index │ ├── crawl_fetch │ │ └── part-00000 │ │ ├── data │ │ └── index │ ├── crawl_generate │ │ └── part-00000 │ ├── crawl_parse │ │ └── part-00000 │ ├── parse_data │ │ └── part-00000 │ │ ├── data │ │ └── index │ └── parse_text │ └── part-00000 │ ├── data │ └── index └── 20150326234933 ├── content │ └── part-00000 │ ├── data │ └── index ├── crawl_fetch │ └── part-00000 │ ├── data │ └── index ├── crawl_generate │ └── part-00000 ├── crawl_parse │ └── part-00000 ├── parse_data │ └── part-00000 │ ├── data │ └── index └── parse_text └── part-00000 ├── data └── index
已经爬取到数据。
4.6 集成Solr
编辑/usr/solr/solr-4.7.0/example/solr/collection1/conf/schema.xml文件,在<field>…</fields>中增加如下字段:
<fieldname="host" type="string" stored="false"indexed="true"/> <field name="digest"type="string" stored="true" indexed="false"/> <field name="segment"type="string" stored="true" indexed="false"/> <field name="boost"type="float" stored="true" indexed="false"/> <field name="tstamp"type="date" stored="true" indexed="false"/> <field name="anchor"type="string" stored="true" indexed="true" multiValued="true"/> <fieldname="cache" type="string" stored="true"indexed="false"/>
重启Solr,重新爬取
[[email protected] apache-nutch-1.7]# bin/nutch crawl urls -dir crawl -depth 2 -topN 5 -solr http://10.192.86.156:8983/solr
4.7 查看结果
在浏览器输入http://10.192.86.156:8983/solr#/collection1/query,进行查询