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它版本号的JDK，假设有，先要把其它版本号的JDK卸载。

用root用户登录系统。

# rpm-qa|grep gcj

显示内容当中包括以下两行信息

# 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文件夹下创建java文件夹。

#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

加入�环境变量：

# vi /etc/profile

进入插入模式，在最后一行加入�

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sshclient生效。

測试：

#echo $JAVA_HOME   測试环境变量配置是否生效

#java -version     查看java版本号信息

#java

#javac             假设这两个命令都能打印出信息，说明成功安装了。

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，还不能从外部訪问tomcat，须要在linux默认防护墙上打开8080port。

#vi /etc/sysconfig/iptables

进入插入模式，加入�

-AINPUT -p tcp -m state --state NEW -m tcp --dport 8080 -j ACCEPT

wq保存退出。

又一次启动防火墙。

#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/，能够看到Tomcat欢迎界面！说明部署成功。

部署Nutch

因为我们不须要在分布式环境下部署Nutch，我们选用较早版本号的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目录重命名为ROOT_BACK。

#cd/usr/local/tomcat/webapps/

#mvROOT ROOT_BACK

复制nutch根文件夹下的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/目录下多了一个nutch-0.9的目录。把nutch-0.9重命名为ROOT。

#mvnutch-0.9 ROOT

又一次启动tomcat。

#/usr/local/tomcat/bin/shutdown.sh

#/usr/local/tomcat/bin/startup.sh

在用户端浏览器中訪问http://10.1.1.95:8080/。得到结果页面如图 1所看到的。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根文件夹。

#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。

改动craw-urlfilter.txt，同意下载随意网站。

#vi /usr/local/ nutch-0.9/conf/craw-urlfilter.txt

把原有的过滤过则凝视掉，改为接受随意的url。

# accept hosts in MY.DOMAIN.NAME

##+^http://([a-z0-9]*\.)*MY.DOMAIN.NAME/

+^

wq保存退出。

进入nutch文件夹，启动下载任务。

#cd /usr/local/nutch-0.9

#bin/nutch crawl multiurls.txt –dirsports –depth 10 –topN 100 –threads 16

參数含义说明例如以下：

-dir 指定存放爬行结果的文件夹，本次抓取结果数据存放到sports文件夹中；

-depth 表明须要抓取的页面深度，本次抓取深度为10层；

-topN 表明仅仅抓取前N个url，本次抓取为取每一层的前100个页面；

-threads 指定Crawl採取下载的线程数，本次指定16个线程进行下载。

下载任务開始运行，如图 2。等待5分钟左右，下载任务运行完成，如图 3。

图3 启动下载任务

图4 下载任务结束

依据下载过程能够看出nutch爬取网页并建立索引库的步骤例如以下：

1)        插入器（Injector）向网页数据库加入�起始根URL；

2)        依照要求抓取的层数，用生成器（Generator）生成待下载任务；

3)        调用获取器（Fetcher），依照指定线程数实际下载对应页面；

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），把二级链接加入�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、链接数据库和详细下载的页面内容，创建当前数据索引；

8)        调用反复数据删除器（DeleteDuplicates），删除反复数据；

9)        调用索引合并器（IndexMerger），把数据合并到历史索引库中。

改动nutch文件夹下的nutch-site.xml文件，添加�索引文件夹属性指定检索器读取数据的文件夹。

#vi/usr/local/nutch-0.9/conf/nutch-site.xml

在<configuration></configuration>之间加入�

<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。

在终端命令窗体下測试检索。

#cd/usr/local/nutch-0.9

#bin/nutchorg.apache.nutch.searcher.NutchBean 巴西

检索结果如图 5所看到的，共找到213条相关结果。

使用Readdb工具摘要描写叙述

#bin/nutch readdb sports/crawldb –stats

得到摘要信息如图 6所看到的，共同拥有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毕了。接下来把检索结果部署到tomcatserver，使用户能够在浏览器中检索。步骤例如以下：

改动tomcat/webapps/ROOT/WEB-INF/classes目录下的nutch-site.xml文件，指定检索路径属性參数值。

#vi/usr/local/tomcat/webapps/ROOT/WEB-INF/classes/nutch-site.xml

在<configuration></configuration>之间加入�

<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>

又一次启动tomcat（假设未启动则直接启动）。

#/usr/local/tomcat/bin/shutdown.sh

#/usr/local/tomcat/bin/startup.sh

图5 在终端命令窗体下运行检索命令

图6 使用Readdb获取摘要描写叙述

在用户端浏览器中訪问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。是由于tomcat版本号升级后（6.0以上），对双引號的处理机制引起的，假设出现双引號包括双引號的情况，就可能会出现这个错误。解决的方法是改动conf/catalina.properties文件。

#vi/usr/local/tomcat/conf/catalina.properties

在最后加入�

org.apache.jasper.compiler.Parser.STRICT_QUOTE_ESCAPING=false

wq保存退出。

再次检索，出现中文乱码，解决的方法是改动conf/server.xml文件。

#vi/usr/local/tomcat/conf/server.xml

找到Connector标签，加入�属性URIEncoding="UTF-8"。

wq保存退出。

又一次启动tomcat，就能够在用户端进行搜索了。检索“巴西 世界杯”，得到结果如图 7所看到的。

图7 在用户端搜索的结果

參考文献

[1].    王学松，Lucene+Nutch搜索引擎开发，人民邮电出版社，2008.

[2].    http://www.coreservlets.com/Apache-Tomcat-Tutorial/

[3].    http://wiki.apache.org/nutch/NutchTutorial