Nutch+Lucene搜索引擎开发实践
网络拓扑
图 1 网络拓扑图
安装Java JDK
首先查看系统是否已经安装了其他版本的JDK,如果有,先要把其他版本的JDK卸载。
用root用户登录系统。
# rpm-qa|grep gcj
显示内容其中包含下面两行信息
# java-1.6.0-openjdk-1.6.0.0-1.57.1.11.9.el6_4.i686
#java-1.7.0-openjdk-1.7.0.9-2.3.8.0.el6_4.i686
卸载
#yum -y remove java-1.6.0-openjdk
#yum -y remove java-1.7.0-openjdk
去官网http://www.oracle.com/technetwork/java/javase/downloads/jdk7-downloads-1880260.html下载 jdk-7u60-linux-i586.tar.gz。
在/usr目录下创建java目录。
#mkdir java
把jdk-7u60-linux-i586.tar.gz解压到/usr/java。
#tar-zvxf jdk-7u60-linux-i586.tar.gz -C /usr/java
添加环境变量:
# vi /etc/profile
进入插入模式,在最后一行添加
JAVA_HOME=/usr/java/jdk1.7.0_60
export JAVA_HOME
PATH=$JAVA_HOME/bin:$PATH
export PATH
CLASSPATH=$JAVA_HOME/lib/tools.jar:$JAVA_HOME/lib/dt.jar:$CLASSPATH
export CLASSPATH
wq保存退出。
输入命令
#source /etc/profile
使环境变量在当前ssh客户端生效。
测试:
#echo $JAVA_HOME 测试环境变量配置是否生效
#java -version 查看java版本信息
#java
#javac 如果这两个命令都能打印出信息,说明安装成功了。
部署tomcat
到官网http://tomcat.apache.org/download-70.cgi ,下载apache-tomcat-7.0.54.tar.gz。
把apache-tomcat-7.0.54.tar.gz解压到/usr/local。
# tar zxvf apache-tomcat-7.0.54.tar.gz -C/usr/local
# cd /usr/local/
# mv apache-tomcat-7.0.54 tomcat
这时,还不能从外部访问tomcat,需要在linux默认防护墙上打开8080端口。
#vi /etc/sysconfig/iptables
进入插入模式,添加
-AINPUT -p tcp -m state --state NEW -m tcp --dport 8080 -j ACCEPT
wq保存退出。
重新启动防火墙。
#service iptables restart
启动tomcat 。
# /usr/local/tomcat/bin/startup.sh
在用户端浏览器中输入http://10.1.1.95:8080/,可以看到Tomcat欢迎界面!说明部署成功。
部署Nutch
由于我们不需要在分布式环境下部署Nutch,我们选用较早版本的nutch-0.9。下载nutch-0.9.tar.gz,解压到/usr/local。
# tar zxvf nutch-0.9.tar.gz -C /usr/local
部署nutch搜索页面:
把/usr/local/tomcat/webapps/ROOT文件夹重命名为ROOT_BACK。
#cd/usr/local/tomcat/webapps/
#mvROOT ROOT_BACK
复制nutch根目录下的nutch-0.9.war到/usr/local/tomcat/webapps/。
#cp/usr/local/nutch-0.9/nutch-0.9.war /usr/local/tomcat/webapps/
启动tomcat。
#/usr/local/tomcat/bin/startup.sh
Tomcat成功启动后,我们发现/usr/local/tomcat/webapps/文件夹下多了一个nutch-0.9的文件夹。把nutch-0.9重命名为ROOT。
#mvnutch-0.9 ROOT
重新启动tomcat。
#/usr/local/tomcat/bin/shutdown.sh
#/usr/local/tomcat/bin/startup.sh
在用户端浏览器中访问http://10.1.1.95:8080/。得到结果页面如图 1所示。说明搜索页面部署成功。
图 2 Nutch默认搜索入口页
数据抓取和内容检索
进入nutch根目录。
#cd/usr/local/nutch-0.9
新建文件multiurls.txt。
#vimultiurls.txt
输入
http://sports.sina.com.cn/
http://sports.sohu.com/
http://sports.qq.com/
http://sports.cntv.cn/
http://sports.ifeng.com/
http://sports.163.com/
http://sports.uusee.com/
http://www.titan24.com/
wq保存退出。
修改craw-urlfilter.txt,允许下载任意站点。
#vi /usr/local/ nutch-0.9/conf/craw-urlfilter.txt
把原有的过滤过则注释掉,改为接受任意的url。
# accept hosts in MY.DOMAIN.NAME
##+^http://([a-z0-9]*\.)*MY.DOMAIN.NAME/
+^
wq保存退出。
进入nutch目录,启动下载任务。
#cd /usr/local/nutch-0.9
#bin/nutch crawl multiurls.txt –dirsports –depth 10 –topN 100 –threads 16
参数含义说明如下:
-dir 指定存放爬行结果的目录,本次抓取结果数据存放到sports目录中;
-depth 表明需要抓取的页面深度,本次抓取深度为10层;
-topN 表明只抓取前N个url,本次抓取为取每一层的前100个页面;
-threads 指定Crawl采取下载的线程数,本次指定16个线程进行下载。
下载任务开始执行,如图 2。等待5分钟左右,下载任务执行完毕,如图 3。
图 3 启动下载任务
图 4 下载任务结束
根据下载过程可以看出nutch爬取网页并建立索引库的过程如下:
1) 插入器(Injector)向网页数据库添加起始根URL;
2) 按照要求抓取的层数,用生成器(Generator)生成待下载任务;
3) 调用获取器(Fetcher),按照指定线程数实际下载相应页面;
4) 调用页面分析器(ParseSegment),分析下载内容;
5) 调用网页数据库管理工具(CrawlDb),把二级链接添加到库中等待下载;
6) 调用链接分析工具(LinkDb),建立反向链接;
7) 调用索引器(Indexer),利用网页数据库、链接数据库和具体下载的页面内容,创建当前数据索引;
8) 调用重复数据删除器(DeleteDuplicates),删除重复数据;
9) 调用索引合并器(IndexMerger),把数据合并到历史索引库中。
修改nutch目录下的nutch-site.xml文件,增加索引目录属性指定检索器读取数据的目录。
#vi/usr/local/nutch-0.9/conf/nutch-site.xml
在<configuration></configuration>之间添加
<property>
<name>http.agent.name</name>
<value>sports.com</value>
<description>sports.com</description>
</property>
<property>
<name>searcher.dir</name>
<value>/usr/local/nutch-0.9/sports</value>
<description></description>
</property>
wq保存退出。
在终端命令窗口下测试检索。
#cd/usr/local/nutch-0.9
#bin/nutchorg.apache.nutch.searcher.NutchBean 巴西
检索结果如图 5所示,共找到213条相关结果。
使用Readdb工具摘要描述
#bin/nutch readdb sports/crawldb –stats
得到摘要信息如图 6所示,共有15917条链接,成功下载了601个页面。
经过上面步骤,搜索引擎的检索准备工作已经完成了。接下来把检索结果部署到tomcat服务器,使用户可以在浏览器中检索。过程如下:
修改tomcat/webapps/ROOT/WEB-INF/classes文件夹下的nutch-site.xml文件,指定检索路径属性参数值。
#vi/usr/local/tomcat/webapps/ROOT/WEB-INF/classes/nutch-site.xml
在<configuration></configuration>之间添加
<property>
<name>http.agent.name</name>
<value>sports.com</value>
<description>sports.com</description>
</property>
<property>
<name>searcher.dir</name>
<value>/usr/local/nutch-0.9/sports</value>
<description></description>
</property>
重新启动tomcat(如果未启动则直接启动)。
#/usr/local/tomcat/bin/shutdown.sh
#/usr/local/tomcat/bin/startup.sh
图 5 在终端命令窗口下执行检索命令
图 6 使用Readdb获取摘要描述
在用户端浏览器中访问http://10.1.1.95:8080/。检索“世界杯”,报错:Attributevalue is quoted with " which must be escaped when used within the value。是因为tomcat版本升级后(6.0以上),对双引号的处理机制引起的,如果出现双引号包含双引号的情况,就可能会出现这个错误。解决办法是修改conf/catalina.properties文件。
#vi/usr/local/tomcat/conf/catalina.properties
在最后添加
org.apache.jasper.compiler.Parser.STRICT_QUOTE_ESCAPING=false
wq保存退出。
再次检索,出现中文乱码,解决办法是修改conf/server.xml文件。
#vi/usr/local/tomcat/conf/server.xml
找到Connector标签,添加属性URIEncoding="UTF-8"。
wq保存退出。
重新启动tomcat,就可以在用户端进行搜索了。检索“巴西 世界杯”,得到结果如图 7所示。
图 7 在用户端搜索的结果
参考文献
[1]. 王学松,Lucene+Nutch搜索引擎开发,人民邮电出版社,2008.
郑重声明:本站内容如果来自互联网及其他传播媒体,其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。