Nutch + Hbase

本文主要讲解内容包括：ant及ivy的搭建、Nutch + Hbase搭建

1、ant及ivy的搭建

1-1）ant下载地址http://ant.apache.org/bindownload.cgi

1-2）环境变量配置，修改linux /etc/profile文件内容，添加如下：

export ANT_HOME=/usr/ant
export PATH=$ANT_HOME/bin:$PATH

1-3）下载ivy build.xml http://ant.apache.org/ivy/history/latest-milestone/samples/build.xml

1-4）在下载的路径下执行 ant 命令，成功后在ant的安装路径下新增ivy文件夹，并将ivy下的ivy.jar拷贝到ANT_HOME/lib目录下

2、Nutch + Hbase搭建

2-1）Nutch下载路径http://nutch.apache.org/downloads.html，选择对应的版本，本文选用apache-nutch-2.3.1-src.tar.gz

2-2）修改conf/nutch-site.xml，内容如下：

<configuration>
    <property>
        <name>http.agent.name</name>
        <value>hbase_nutch</value>
    </property>
    <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>plugin.includes</name>
        <value>protocol-httpclient|urlfilter-regex|parse-(html|tika)|index-(basic|anchor)|indexer-solr|scoring-opic|urlnormalizer-(pass|regex|basic)</value>
    </property>
</configuration>

2-3）conf/regex-urlfilter.txt，用来过滤抓取网站的URL规则，读者可以根据个人需求进行定制。

2-4）修改 ivy/ivy.xml，主要用来设置所依赖的版本，改动有如下：

添加Hbase支持，这里需要注意，由于版本兼容问题，这里使用0.98.13版本，笔者测试Hbase1.2版本，出现错误。

    <dependency org="org.apache.hbase" name="hbase-client" rev="0.98.13-hadoop2" conf="*->default"/>
    <dependency org="org.apache.hbase" name="hbase-common" rev="0.98.13-hadoop2" conf="*->default"/>
    <dependency org="org.apache.hbase" name="hbase-protocol" rev="0.98.13-hadoop2" conf="*->default"/>
    <dependency org="org.apache.gora" name="gora-hbase" rev="0.6.1" conf="*->default" />

其他的jar文件读者可以根据需要进行删除或者更改。

2-5）拷贝hbase集群配置文件，cp $HBASE_HOME/conf/hbase-site.xml $NUTCH_HOME/conf/

2-6）修改conf/gora.properties，添加如下配置

     gora.datastore.default=org.apache.gora.hbase.store.HBaseStore

2-7）配置抓取链接，在conf目录下创建urls目录，用来保存抓取链接，然后初始化种子文件seed.txt，内容添加如下：

     http://www.csdn.net/

2-8）进行编译，创建抓取程序 ，nutch根目录下执行ant runtime，结果如下：

第一次时间比较长，需要下载jar包等等。

2-9）抓取内容，在runtime/local/bin下执行如下命令：

    ./crawl /usr/apache-nutch-2.3.1/conf/urls/ numberOfRounds 10

crawl 命令的参数解释如下：

    Usage: crawl <seedDir> <crawlID> [<solrUrl>] <numberOfRounds>
    <seedDir>：放置种子文件的目录
    <crawlID> ：抓取任务的ID
    <solrURL>：用于索引及搜索的solr地址
    <numberOfRounds>：迭代次数，即抓取深度

2-10）查看hbase监控页面网址为：http://lenovo1:16010/master-status，获取到 表名称为numberOfRounds_webpage，通过Spark代码读取如下：

    // please ensure HBASE_CONF_DIR is on classpath of spark driver
    // e.g: set it through spark.driver.extraClassPath property
    // in spark-defaults.conf or through --driver-class-path
    // command line option of spark-submit
    val conf = HBaseConfiguration.create()

    val args = Array[String]("numberOfRounds_webpage")
    // Other options for configuring scan behavior are available. More information available at
    // http://hbase.apache.org/apidocs/org/apache/hadoop/hbase/mapreduce/TableInputFormat.html
    conf.set(TableInputFormat.INPUT_TABLE, args(0))

    // Initialize hBase table if necessary
    val admin = new HBaseAdmin(conf)
    if (!admin.isTableAvailable(args(0))) {
      println("不存在该表")
      return
      //sc.stop()
    }
    val pool = new HTablePool(conf, 1000)
    val table = pool.getTable(args(0))

    try {
      val rs: ResultScanner = table.getScanner(new Scan())
      var r = rs.next()
      while (r != null) {
        System.out.println("获得到rowkey:" + new String(r.getRow))
        for (keyValue <- r.raw()) {
          System.out.println("（" + new String(keyValue.getFamily()) + "," + new String(keyValue.getQualifier()) + "）：" + new String(keyValue.getValue()));
        }
        r = rs.next()
      }
    } catch {
      case e => e.printStackTrace()
    }
    //sc.stop()
    admin.close()

展示结果如下：

至此一个简单的示例完成了，读者可以在此基础上添加复杂业务逻辑。