一、nutch简介
nutch是大名鼎鼎的Doug Cutting发起的爬虫项目，nutch孵化了现在大数据处理框架Hadoop。在nutch V 0.8.0 版本之前，Hadoop是nutch的一部分，从nutch V0.8.0开始，HDFS和MapReduce从nutch中剥离出成为Hadoop。v0.8.0之后，nutch就完全构建在Hadoop的基础之上了。
Nutch是一个开源的网络爬虫，在搜索引擎中负责爬取网页，同时自动维护网页的URL信息，例如相同网页去重、网页定时更新、网页重定向。nutch采用了MapReduce分布式爬取和解析，具有良好的水平扩展性。
现在版本的Nutch本身并不具有搜索功能(V1.2之后，nutch专注于爬取数据)，但是可以自动向搜索服务器提交爬取的网页。例如，solr，可以通过Nutch自带的命令，来控制Nutch是否将网页提交给索引服务器。
Nutch虽然是优秀的分布式爬虫框架，但是它的所有设计，都是为了搜索引擎服务的。在hadoop上用map-reduce框架开发，并不是很适合做数据抽取的业务。如果你的业务是做数据抽取（精抽取），而不是搜索引擎。不一定要选用Nutch。
nutch现在分为两个分支。一个是1.x系列，一个是2.x系列。它们的主要区别是2.x引入了Gora作为存储抽象层，从而支持各种NoSQL数据库，如HBase，Cassandra等
二、nutch安装
1.nutch的运行环境
JDK1.7及以上
需要使用linux操作系统2.解压:
设置环境变量
验证： nutch
3.目录结构
bin：两个文件，一个是nutch，一个是crawl，
crawl是对nutch中的命令进行了封装，实现了一站式调用。
conf：里面保存了nutch的基本配置信息，nutch-default.xml nutch-site.xml parse-plugins.xml regex-urlfilter.txt
docs：api文档
lib：存储了nutch的依赖jar包
plugins：存储了nutch使用的插件jar包
三、nutch 爬虫
nutch 爬取准备工作
1：在nutch-site.xml中添加http.agent.name的配置。如果不配置，启动会报错。
2：创建一个种子地址目录,urls(在nutch 目录中就可以)，在目录下面创建一些种子文件，种子文件中保存种子地址。每一个种子地址占一行。http:www.zhaozhiyong.cn
注意：种子地址必须以类似于http的字符开头
3：(可选)：控制爬取的url范围，只爬取站内，在regex-urlfilter.txt 最后添加 ：+^http://([a-z0-9]*\.)*bbs.superwu.cn/[\s\S]*
4：nutch爬取数据 bin/crwal urls crawl 1
crawl urls crawl 1
urls：表示是种子目录
crawl：表示是爬取文件的存储位置
1：表示是爬取的层次5.nucth爬取生成的目录
在爬取的时候指定的crawl中会有下面几个目录
crawldb：存储的是待爬取的url
查看目录数据：nutch readdb crawl/crawldb -stats -sort
linkdb：存储的是反链信息
查看目录数据：nutch readlinkdb crawl/linkdb -dump links
segments：存储的是网站所有数据信息
查看目录数据：nutch readseg -dump crawl/segments/20150906090648 sgedb
一个segment包括以下子目录:
crawl_generate:包含需要抓取的网址列表
crawl_fetch:包含每个抓取页面的状态
content:包含每个抓取页面的原始内容
parse_text:包含每个抓取页面的解析文本
parse_data:包含每个页面的外部链接(外链)和元数据
crawl_parse:包含网址的外部链接地址，用于更新crawldb数据库6.查看nutch生成的数据
nutch中的数据都是sequencefile格式的，除了使用上面的nutch命令查看之外
还可以使用java代码读取这些文件
参考资料<查看nutch生成的中间文件>
注意：在使用提供的代码读取文件时，需要先使用more命令查看对应文件中存储的数据类型
对应需要修改代码中27行中的value的类型。
四、在solr中对爬取的数据建立索引
在使用solr的之前做以下步骤：
1）：需要把nutch下的schema-solr4.xml拷贝到solr中
命令：cp /usr/local/nutch/conf/schema-solr4.xml /usr/local/solr-4.10.4/example/solr/collection1/conf
2）：删除solr中的默认配置文件schema.xml，在把刚才拷贝过去的文件该名称
cd /usr/local/solr-4.10.4/example/solr/collection1/conf
rm schema.xml
mv schema-solr4.xml schema.xml3)：在schema.xml中添加一个字段配置
<field name="location" type="string" stored="true" indexed="true"/>或者也可以动态指定，
例子：crawl -i -D "solr.server.url=http://192.168.1.170:8983/solr" urls crawl 11.启动solr
cd /usr/local/solr-4.10.4/example
java -jar start.jar2.
命令：crawl -i urls crawl 1
-i：表示会对爬取的数据建立索引，默认会在本机solr中建立索引，
如果使用其他服务器上的solr，需要修改nutch-default中solr.server.url的值，
建议在nutch-site.xml中进行覆盖。3.检验
http://127.0.0.1:8983/solr/ 可以通过query 查看到content的内容
注意：如果把爬取层次改为2层，发先抓取的数据还是很少，那是因为在regex-urlfilter.txt中对url进行了过滤
把url中包含？=之类的都忽略掉了。
所以可以把这个配置直接注释掉，或者修改为其他规则。
详细修改，参考：<regex-urlfilter解释.txt>