转：Nutch和Solr的集成方法

qns_fengyusong

Nutch和Solr的集成方法  
2011-06-27 13:47:23|  分类：默认分类|  标签：nutch  solr  集成  |字号 订阅




　　本方案中，Solr作为处理搜索结果的源和入口，有效的减轻对Nutch的搜索负担，让Nutch负责她最擅长的工作：抓取(crawling)和提取(extracting)内容。使用Solr作为搜索后端，换句话说，就是允许使用所有Solr Server的高级特性，诸如：查询拼写检查(spell-check)，搜索提醒(suggestion)，数据复制(data-replication)，查询缓存等等。
　　Nutch和Solr的安装
　　首先下载我们需要的软件，Apache Solr 和 Nutch。
　　1、从官方下载Solr Version 1.3.0
　　2、解压Solr安装包。
　　3、下载Nutch Version 1.0
　　4、解压Nutch安装包。
　　5、配置Solr
　　简单起见，我们以Solr Example中的配置为基础
　　a、从apache-nutch-1.0/conf拷贝Nutch Schema到apache-solr-1.3.0/example/solr/conf目录下，覆盖掉已经存在的。
　　我们希望允许Solr为搜索结果创建摘要，因此我们需要存储内容以便能够索引它。
　　b、调整schema.xml，以便"content"字段的"stored"属性等于true。
　　<field name="content" type="text" stored="true" indexed="true"/>
　　另外，我们希望能够容易的调整查询的关联度，因此这里创建一个新的请求处理器(request handler)叫dismax。
　　c、打开apache-solr-1.3.0/example/solr/conf/solrconfig.xml文件，把下面这段粘贴进去
　　<requestHandler name="/nutch" class="solr.SearchHandler" >
　　<lst name="defaults">
　　<str name="defType">dismax</str>
　　<str name="echoParams">explicit</str>
　　<float name="tie">0.01</float>
　　<str name="qf">
　　content^0.5 anchor^1.0 title^1.2
　　</str>
　　<str name="pf">
　　content^0.5 anchor^1.5 title^1.2 site^1.5
　　</str>
　　<str name="fl">
　　url
　　</str>
　　<str name="mm">
　　2&lt;-1 5&lt;-2 6&lt;90%
　　</str>
　　<int name="ps">100</int>
　　<bool hl="true"/>
　　<str name="q.alt">*:*</str>
　　<str name="hl.fl">title url content</str>
　　<str name="f.title.hl.fragsize">0</str>
　　<str name="f.title.hl.alternateField">title</str>
　　<str name="f.url.hl.fragsize">0</str>
　　<str name="f.url.hl.alternateField">url</str>
　　<str name="f.content.hl.fragmenter">regex</str>
　　</lst>
　　</requestHandler>
　　6、启动Solr
　　cd apache-solr-1.3.0/example
　　java -jar start.jar
　　7、配置Nutch
　　a、打开apache-nutch-1.0/conf下的nutch-site.xml，用下面的内容(我们制定了蜘蛛的名称，激活插件，限制单机一次运行抓取的最大URL数为100)替换：
　　<?xml version="1.0"?>
　　<configuration>
　　<property>
　　<name>http.agent.name</name>
　　<value>nutch-solr-integration</value>
　　</property>
　　<property>
　　<name>generate.max.per.host</name>
　　<value>100</value>
　　</property>
　　<property>
　　<name>plugin.includes</name>
　　<value>protocol-http|urlfilter-regex|parse-html|index-(basic|anchor)|query-(basic|site|url)|response-(json|xml)|summary-basic|scoring-opic|urlnormalizer-(pass|regex|basic)</value>
　　</property>
　　</configuration>
　　b、打开apache-nutch-1.0/conf下的regex-urlfilter.txt，用下面的内容替换：
　　-^(https|telnet|file|ftp|mailto):
　　# skip some suffixes
　　-\.(swf|SWF|doc|DOC|mp3|MP3|WMV|wmv|txt|TXT|rtf|RTF|avi|AVI|m3u|M3U|flv|FLV|WAV|wav|mp4|MP4|avi|AVI|rss|RSS|xml|XML|pdf|PDF|js|JS|gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|sit|eps|wmf|zip|ppt|mpg|xls|gz|rpm|tgz|mov|MOV|exe|jpeg|JPEG|bmp|BMP)$
　　# skip URLs containing certain characters as probable queries, etc.
　　-[?*!@=]
　　# allow urls in foofactory.fi domain
　　+^http://([a-z0-9\-A-Z]*\.)*lucidimagination.com/
　　# deny anything else
　　-.
　　8、创建一个种子列表(初始化的URL列表)
　　mkdir urls
　　echo "http://www.haoguoliang.com/" > urls/seed.txt
　　9、将种子URL列表导入Nutch的crawldb(注意在nutch文件夹下执行)
　　bin/nutch inject crawl/crawldb urls
　　10、生成获取(fetch)列表，以便获取和分析内容
　　bin/nutch generate crawl/crawldb crawl/segments
　　以上命令在crawl/segments目录下生成了一个新的segment目录，里边存储了抓到的URLs，下边的指令里，我们需要最新的segment目录作为参数，存储到环境变量SEGMENT里：
　　export SEGMENT=crawl/segments/`ls -tr crawl/segments|tail -1`
　　现在，启动抓取程序真正开始抓取内容
　　bin/nutch fetch $SEGMENT -noParsing
　　接下来我们分析、解析抓取下来的内容
　　bin/nutch parse $SEGMENT
　　更新Nutch crawldb，updatedb命令会存储以上两步抓取(fetch)和分析(parse)最新的segment而得到的新的URLs到Nutch crawldb，以便后续的继续抓取，除了URLs之外，Nutch也存储了相应的页面内容，防止相同的URLs被反反复复的抓取。
　　bin/nutch updatedb crawl/crawldb $SEGMENT -filter -normalize
　　到此，一个完整的抓取周期结束了，你可以重复步骤10多次以便可以抓取更多的内容。
　　11、创建超链库
　　bin/nutch invertlinks crawl/linkdb -dir crawl/segments
　　12、索引所有segments中的内容到Solr中
　　bin/nutch solrindex http://127.0.0.1:8983/solr/crawl/crawldb crawl/linkdb crawl/segments/*
　　现在，所有Nutch抓取的内容已经被Solr索引了，你可以通过Solr Admin执行查询操作了
　　http://127.0.0.1:8983/solr/admin