nutch集成solr和中文分词

一、构建nutch环境

1. 设置代理

由于nutch使用ant构建，ant调用ivy，会从maven仓库中下载依赖包，因此若公司需要代理才能上网，需要设置代理，如果公司不需要代理即可上网，此步骤直接省略.

总结设置代理遇到的几个坑：

强制使用系统代理,即 ant -autoproxy , 结果失败!
修改 build.xml , 增加 setproxy ,设置代理,结果失败!
设置 ANT_OPTS ,添加选项
-Dhttp.proxyHost=http://proxy.xxx.com
-Dhttp.proxyPort=xxx , 结果失败!
传递 http_proxy ,结果失败!

失败原因: proxyHost只需要包括主机名，而不需要指定协议

成功编译为修改build.xml文件，设置代理，内容如下:

<target name="myproxy">

	  <setproxy proxyhost="proxy.xxx.com" proxyport="913" />

</target>

并修改ivy-init指令，如下:

<target name="ivy-init" depends="ivy-probe-antlib, ivy-init-antlib,myproxy" description="--> initialise Ivy settings">

    <ivy:settings file="${ivy.dir}/ivysettings.xml" />

</target>

2. 设置hadoop环境

若只是构建单机模式，此步骤省略!

否则需要设置并export HADOOP_HOME环境变量:

export HADOOP_HOME=${HADOOP_HOME:-/opt/hadoop}

echo $HADOOP_HOME

3. nutch配置

在编译之前首先需要配置nutch，每次更新配置文件，都需要重新编译！
配置文件位于$NUTCH_HOME/conf下，务必设置http.agent.name,否则编译后不能运行, 编辑conf/nutch-site.xml, 内容为:

<?xml version="1.0"?>

<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<!-- Put site-specific property overrides in this file. -->

<configuration>

	<property>

		<name>http.agent.name</name>

		<value>My Spider</value>

	</property>

</configuration>

如果需要设置nutch运行时代理，需要配置代理,修改文件$NUTCH_HOME/conf/nutch-default.xml, 修改http.proxyHost和http.proxyPort值，内容如下:

<property>

  <name>http.proxy.host</name>

  <value>proxy.xxx.com</value>

  <description>The proxy hostname.  If empty, no proxy is used.</description>

</property>

<property>

  <name>http.proxy.port</name>

  <value>xxx</value>

  <description>The proxy port.</description>

</property>

4.编译构建nutch

在此之前，请确保以上步骤已经正确完成，否则会导致编译失败或者运行失败！
编译:

ant -v runtime

构建开始，大约需要30分钟的时间

二、集成solr

目前solr的版本是5.x,但好像5.x版本差别较大，nutch没有集成支持！因此我们使用当前的4.x版本，目前该版本的latest是4.10.4,点击此处下载.

1.初始化

解压缩，复制example/solr/collection1下的core collection1为nutch:

cp -rf collection1 nutch

并修改$SOLR_HOME/example/solr/nutch/core.properties文件，设置name为nutch:

name=nutch

把$NUTCH_HOME/conf/schema-solr4.xml复制到$SOLR_HOME/example/solr/nutch/conf下,并重命名为schema.xml:

cp $NUTCH_HOME/conf/schema-solr4.xml  $SOLR_HOME/example/solr/nutch/conf/schema.xml

2. 修改配置

此时启动solr会出现以下错误:

org.apache.solr.common.SolrException:org.apache.solr.common.SolrException: copyField dest :'location' is not an explicit field and doesn't match a dynamicField

应该是配置文件schema.xml的一个bug, 修复办法为在<fields>下增加一个location field，内容为:

  <field name="location" type="location" stored="false" indexed="true" multiValued="true"/>

若没有_version属性，则增加_version_属性:

<field name="_version_" type="long" indexed="true" stored="true"/>

3. 增加中文分词

首先从google code上下载IKAnalyzer,下载版本为IK Analyzer 2012FF_hf1.zip,如果被GFW，点击此处下载。
解压缩文件，把IKAnalyzer2012FF_u1.jar文件复制到$SOLR_HOME/example/solr-webapp/webapp/WEB-INF/lib,把IKAnalyzer.cfg.xml和stopword.dic复制到$SOLR_HOME/example/solr/nutch/conf,与schema.xml一个目录下:

cp IKAnalyzer2012FF_u1.jar $SOLR_HOME/example/solr-webapp/webapp/WEB-INF/lib

cp IKAnalyzer.cfg.xml stopword.dic $SOLR_HOME/example/solr/nutch/conf

修改core的schema.xml，在配置项间加一段如下配置：

<fieldType name="text_cn" class="solr.TextField">

     <analyzer class="org.wltea.analyzer.lucene.IKAnalyzer"/>

</fieldType>

在这个core的schema.xml里面配置field类型的时候就可以使用text_cn

<field name="name"      type="text_cn"   indexed="true"  stored="true"  multiValued="true" />

启动solr服务

cd $SOLR_HOME/example

java -jar start.jar

浏览器访问http://172.16.182.23:8983/solr/#/nutch，在左下边点击Analysis连接，选择Analyse Fieldname / FieldType为text_cn,在Field Value (Index)下输入:

我喜欢solr

然后点击蓝色按钮Analyse Values,查看效果，看是否正确分词！

三、单机运行测试

具体过程可以查看官方教程。

总结过程如下:

1. 创建种子列表

mkdir urls

cd urls

touch seeds.txt

echo "http://nutch.apache.org/" >> seeds.txt # 每行一个URL

2.使用`crawl`脚本运行

bin/crawl -i -D solr.server.url=http://localhost:8983/solr/nutch urls/ TestCrawl/  2

3. 验证结果

打开http://localhost:8983/solr/，点击solr admin, 在Querty String输入nutch, 点击Search查看效果

四、分布式运行

与单机过程类型，首先创建urls目录作为种子url，然后上传到hdfs上:

mkdir urls

cd urls

echo "http://apache.org" >>seeds.txt

hdfs dfs -put urls

假定solr已经配置完成，url为localhost:8983

运行以下命令运行：

cd $NUTCH_HOME/runtime/runtime/deploy/

bin/crawl -i -D solr.server.url=http://localhost:8983/solr/nutch urls/ TestCrawl/  2

nutch