nutch+solr整合以及搭载在hadoop上

nbvf

nutch+solr整合以及搭载在hadoop上
　　官方文档：nutch+hadoop


　　nutch+solr


　　版本：


　　nutch：nutch1.6


　　solr：  solr3.6.2


　　可以参照hadoop1.0.4+nutch1.6“单机”配置



　　    一，ant编译nutch


　　    下载apache-nutch-1.6-src.tar.gz，解压之。


　　


　　    在nutch1.6/conf下


　　 先修改 nutch-default.xml中http.agent.name和http.robots.agents，value值随意，但是要保持一致


　　


　　







http.agent.name
sleeper_qp
HTTP 'User-Agent' request header. MUST NOT be empty -
please set this to a single word uniquely related to your organization.
NOTE: You should also check other related properties:
http.robots.agents
http.agent.description
http.agent.url
http.agent.email
http.agent.version
and set their values appropriately.



http.robots.agents
sleeper_qp
The agent strings we'll look for in robots.txt files,
comma-separated, in decreasing order of precedence. You should
put the value of http.agent.name as the first agent name, and keep the
default * at the end of the list. E.g.: BlurflDev,Blurfl,*





　　


　　然后


　　





cp nutch-default.xml nutch-site.xml

　　在nutch1.6下ant编译


　　 二，测试nutch


　　      启动hadoop，新建，上传urls.txt







~/hadoop-1.0.4$ bin/start-all.sh
~/hadoop-1.0.4$ touch urls.txt
在urls.txt写入你想爬的网站
~/hadoop-1.0.4$ bin/hadoop fs -mkdir urls
~/hadoop-1.0.4$ bin/hadoop fs -put urls.txt urls/



　　


　　


　　添加hadoop的环境变量  


　　修改～/.bashrc:





export HADOOPHOME=/home/hadoop/hadoop
export PATH=$PATH:$HADOOPHOME/bin

　　说明：直接输入hadoop的命令可能会有警告，这是因为hadoop自身也配置了自己的路径(在HADOOP_HOME/bin/hadoop-config.sh)


　　


　　    在nutch/runtime/deploy下输入







~/nutch1.6/runtime/deploy$ bin/nutch crawl urls -dir crawl -depth 3 -topN 3
解释
-dir是爬取内容存放的文件 -depth 爬取深度  -topN
完成后可查看hdfs
输入hadoop fs -ls查看新的crawl文件夹



　　


　　


　　三，安装solr


　　下载解压solr3.6.2  


　　修改NUTCH_HOME/conf下的schema.xml





　　拷贝NUTCH_HOME/conf下的schema.xml到solr/example/solr/conf/下


　　     然后solr/example/solr/conf/下的solrconfig.xml中的str name="df"后的text全部改为content   PS：因为版本的变更，默认值有text该为了content


　　     在{APACHE_SOLR_HOME}/example下输入：


　　     java -jar start.jar


　　


　　四，整合测试


　　保证正确，重启hadoop(删除前面的hdfs中的crawl)，重启solr


　　在浏览器下查看相关信息：


　　http://localhost:8983/solr/


　　http://localhost:50070


　　在~/nutch1.6/runtime/deploy下输入





bin/nutch crawl urls -solr http://localhost:8983/solr -dir crawl -depth 1 -topN 1

　　在正确运行的情况下，可以在http://localhost:8983/solr/admin/   输入你先前爬取网站的相关内容，可以得到一个xml格式的结果


　　


　　




基于hadoop+nutch+solr的搜索引擎环境搭载hadoop完全分布式环境搭建



摘要: hadoop完全分布式环境搭建还算那句话：能看官方文档就尽量看官方文档 hadoop1.0.4完全分布式官方文档先扯点题外话，这个项目是我的比赛项目，可能比较简陋，主要还是想学习关于hadoop和搜索引擎方面的一些知识。这一两个月看了，等一些书吧，初步了解了一下hadoop和搜索引擎。马上项目就要上交了，所以昨天把两个月的心血给删了，重新来一遍，重装系统，复习一遍之前的吧。好了，正文开始了。环境版本：ubuntu：ubuntu 12.0.4 32bithadoop：hadoop1.0.4jdk：jd阅读全文

posted @ 2013-05-05 13:54 sleeper_qp 阅读(357) | 评论 (0) 编辑





hadoop1.0.4+nutch1.6“单机”配置



摘要: ---恢复内容开始---首先声明：在能使用官方文档的情况下完成配置，就不要看网上的博客 另外此篇文章是基于伪分布式hadoop1.0.4 nutch1.6 PS：没有多的机器伤不起啊hadoop的环境配置见Ubuntu12.04下安装hadoop1.0.4nutch1.6:首先说个问题就是nutch1.6源文件中没有runtime这个文件夹，所以需要用到ant 1.安装ant sudo apt-get install ant 2.下载nutch1.6.src 并ant编译 解压，这里假设解压的路径为NUTCH_HOME 进入NUTCH_HOME，输入ant 等...阅读全文

posted @ 2013-04-18 08:49 sleeper_qp 阅读(815) | 评论 (3) 编辑





ubuntu下hadoop的重启后namenode无法启动的解决方法



摘要: 参考：Hadoop namenode无法启动 Hadoop Namenode不能启动（dfs/name is in an inconsistent state）原因：ubuntu每次重启都会删除/tmp中的信息，而namenode的格式化信息恰好存在/tmp下，从而导致相应信息丢失。解决办法： 1，新建tmp文件目录 sudo mkdir ~/hadoop/hadoop_tmp 2,修改hadoop/conf目录里面的core-site.xml文件  hadoop.tmp.dir