nutch使用

nutch 1.x (nutch 1.11为例)

抓取网页存储到本地

bin/crawl  urls  crawl  2

建索引

bin/nutch solrindex http://127.0.0.1:8983/solr/ crawl/crawldb -linkdb crawl/linkdb crawl/segments/*

nutch 2.x (nutch 2.2.1为例)

mysql

my.ini或my.cnf中修改编码:

[mysqld] character-set-server=utf8 [client]、[mysql] default-character-set=utf8

数据表字段映射在gora-sql-mapping.xml中配置。

配置ivy对mysql的支持,在ivy/ivy.xml中配置

<dependency org=”mysql” name=”mysql-connector-java” rev=”5.1.18″ conf=”*->default”/>
<dependency org="org.apache.gora" name="gora-core" rev="0.2.1" conf="*->default"/>
<dependency org="org.apache.gora" name="gora-sql" rev="0.1.1-incubating" conf="*->default" />

配置nutch数据连接设置gora.properties

gora.sqlstore.jdbc.driver=com.mysql.jdbc.Driver

gora.sqlstore.jdbc.url=jdbc:mysql://localhost:3306/nutch?createDatabaseIfNotExist=true

gora.sqlstore.jdbc.user=xxxx（MySQL用户名）

gora.sqlstore.jdbc.password=xxxx（MySQL密码）

修改nutch-site.xml（将nutch-default.xml另存为nutch-site.xml然后修改），设置http.agent.name、storage.data.store.class等。
并添加

<property> 
     <name>storage.data.store.class</name>
     <value>org.apache.gora.sql.store.SqlStore</value>
     <description>The Gora DataStore class for storing and retrieving data.
             Currently the following stores are available:.
     </description>
    </property>
<property>
    <name>generate.batch.id</name>
    <value>*</value>
</property

然后设置爬取网站。

执行爬取操作，爬取数据到数据库

bin/nutch crawl urls -depth 3 -topN 5

solr

今天的文章nutch使用分享到此就结束了，感谢您的阅读。