CentOS 6.5+Nutch 1.7+Solr 4.7+IK 2012

trsgw

                      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

1 2 3 4

[iyunv@localhost ~]# mkdir /usr/java [iyunv@localhost ~]# cd /usr/java [iyunv@localhost ~]# curl -O http://download.oracle.com/otn-p ... 75-linux-x64.tar.gz [iyunv@localhost java]# tar –zxvf jdk-7u75-linux-x64.gz

1.2 设置环境变量

1	[iyunv@localhost java]# vi /etc/profile

添加以下内容：

1 2 3 4 5 6

#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：

1	[iyunv@localhost java]# source /etc/profile

1.3 验证

1	[iyunv@localhost 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

1 2 3 4

[iyunv@localhost ~]# mkdir /usr/solr [iyunv@localhost ~]# cd /usr/solr [iyunv@localhost solr]# curl -O http://archive.apache.org/dist/lucene/solr/4.7.0/solr-4.7.0.tgz [iyunv@localhost solr]# tar –zxvfsolr-4.7.0.tgz

2.2 启动Jetty

这里使用Solr自带的Jetty服务器

1 2	[iyunv@localhost solr]# cd solr-4.7.0/example [iyunv@localhost 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

1 2	[iyunv@localhost solr]# cd /usr/solr/solr-4.7.0/example/solr/collection1/conf/ [iyunv@localhost solr]# vi schema.xml

在<type></types>中增加如下内容：

1 2 3 4

<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

1 2 3 4

[iyunv@localhost ~]# mkdir /usr/nutch [iyunv@localhost ~]# cd /usr/nutch [iyunv@localhost nutch]# curl -O http://archive.apache.org/dist/n ... utch-1.7-bin.tar.gz [iyunv@localhost nutch]# tar –zxvf apache-nutch-1.7-bin.tar.gz

4.2 修改nutch-site.xml配置文件

1 2	[iyunv@localhost nutch]# cd apache-nutch-1.7/conf [iyunv@localhost conf]# vi nutch-site.xml

在<configuration>..</configuration>中添加字段，如下：

1 2 3 4 5 6 7 8 9 10

<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

1	[iyunv@localhost 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：

1

修改后：

1	+^http://([a-z0-9]*\.)*sohu.com

4.4 设定所要爬取的网站

1 2 3

[iyunv@localhost conf]# cd /usr/nutch/apache-nutch-1.7 [iyunv@localhost apache-nutch-1.7]# mkdir urls [iyunv@localhost apache-nutch-1.7]# echo "http://www.sohu.com">urls/seed.txt

4.5 执行命令，进行爬取

1	[iyunv@localhost 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

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59

[iyunv@localhost 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：

1 2 3 4 5 6 7

<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

1	[iyunv@localhost 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