nutch2.1在windows平台上使用eclipsedebug 存储在mysql的搭建过程

来源：互联网发布：opengl 平移矩阵编辑：程序博客网时间：2024/06/12 01:37

步骤1：准备好eclipse、eclipse svn插件、mysql准备好，mysql使用utf-8编码

步骤2：mysql建库，建表：

CREATE DATABASE nutch ;

CREATE TABLE `webpage` (

`id` varchar(767) NOT NULL,

`headers` blob,

`text` mediumtext DEFAULT NULL,

`status` int(11) DEFAULT NULL,

`markers` blob,

`parseStatus` blob,

`modifiedTime` bigint(20) DEFAULT NULL,

`score` float DEFAULT NULL,

`typ` varchar(32) CHARACTER SET latin1 DEFAULT NULL,

`baseUrl` varchar(767) DEFAULT NULL,

`content` longblob,

`title` varchar(2048) DEFAULT NULL,

`reprUrl` varchar(767) DEFAULT NULL,

`fetchInterval` int(11) DEFAULT NULL,

`prevFetchTime` bigint(20) DEFAULT NULL,

`inlinks` mediumblob,

`prevSignature` blob,

`outlinks` mediumblob,

`fetchTime` bigint(20) DEFAULT NULL,

`retriesSinceFetch` int(11) DEFAULT NULL,

`protocolStatus` blob,

`signature` blob,

`metadata` blob,

PRIMARY KEY (`id`)

) ENGINE=InnoDB

ROW_FORMAT=COMPRESSED

DEFAULT CHARSET=utf8mb4;

`id` varchar(767) NOT NULL 这个在我本机是不能成功的，只能最大设置为100 所以改为：`id` varchar(100) NOT NULL

步骤3：从 https://svn.apache.org/repos/asf/nutch/tags/release-2.1 拉下代码，在本地创建java project。本人因为试验过很多次，所以在此取项目名称为test。

步骤4：加src文件

在project explorer下右击项目，选择properties。进入java build path ，在source选项卡，删除src文件夹，选择“Add Folder ”，在这里把conf,src/bin,src/java,src/test,src/testresources，以及src/plugin文件夹下各个插件的src和test也加入进来。最终可以看到如下界面（test为项目名称）：

在每个eclipse 项目文件夹下有 .classpath文件，打开 .classpath文件能看到：内容基本是这样的。

步骤5：加入lib包：

切换到Libaries选项卡，“Add Library"->"IvyDE Managed Dependencies"->"Next",选择“Project”，选择ivy\ivy.xml文件。点 Ok。eclipse会自动下载依赖的jar包。

在这个过程中或许会报错，看到错误信息是因为org.restlet.jse包下载不到。解决方法是：ivy\ivy.xml中找到

<dependency org="org.restlet.jse" name="org.restlet" rev="2.0.5" conf="*->default" />

<dependency org="org.restlet.jse" name="org.restlet.ext.jackson" rev="2.0.5"

conf="*->default" />

部分，注释掉。在网上手动找到这两个包，放在lib包下，加入到Libaries中。

接着加入plugin文件夹下各个插件的ivy.xml文件。手动一个一个加进去。

步骤6：在"Order and Export"选项卡，将 conf top

步骤7：数据库配置以及其他配置信息

打开/conf/gora.properties ，删除文件中所有内容，写入mysql配置：

###############################

# MySQL properties #

###############################

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

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

gora.sqlstore.jdbc.user=root

gora.sqlstore.jdbc.password=123456

在/conf/gora-sql-mapping.xml 修改 <primarykey column="id" length="240"/>

在 /conf/nutch-site.xml输入：

<property>
<name>http.agent.name</name>
<value>Your Nutch Spider</value>
</property>

<property>
<name>http.accept.language</name>
<value>ja-jp, en-us,en-gb,en;q=0.7,*;q=0.3</value>
<description>Value of the “Accept-Language” request header field.
This allows selecting non-English language as default one to retrieve.
It is a useful setting for search engines build for certain national group.
</description>
</property>

<property>
<name>parser.character.encoding.default</name>
<value>utf-8</value>
<description>The character encoding to fall back to when no other information
is available</description>
</property>

<property>
<name>plugin.includes</name>
<value>protocol-httpclient|protocol-http|urlfilter-regex|parse-(html|tika)|index-(basic|anchor)|urlnormalizer-(pass|regex|basic)|scoring-opic</value>
<description>Regular expression naming plugin directory names to
include. Any plugin not matching this expression is excluded.
In any case you need at least include the nutch-extensionpoints plugin. By
default Nutch includes crawling just HTML and plain text via HTTP,
and basic indexing and search plugins. In order to use HTTPS please enable
protocol-httpclient, but be aware of possible intermittent problems with the
underlying commons-httpclient library.
</description>
</property>

<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>plugin.folders</name>
<value>./src/plugin</value>
<description>Directories where nutch plugins are located. Each
element may be a relative or absolute path. If absolute, it is used
as is. If relative, it is searched for on the classpath.</description>
</property>

在根目录下的build.xml中找到如下代码
<target name="resolve-default" depends="clean-lib, init" description="--> resolve and retrieve dependencies with ivy">
  <ivy:resolve file="${ivy.file}" conf="default" log="download-only" />
  <ivy:retrieve pattern="${build.lib.dir}/[artifact]-[revision].[ext]" symlink="false" log="quiet" />
  <antcall target="copy-libs" />
</target>
    将pattern="${build.lib.dir}/[artifact]-[revision].[ext]"替换为pattern="${build.lib.dir}/[artifact]-[type]-[revision].[ext]"

步骤8：配置抓取url

在test项目下创建文件夹urls，在urls下创建文件seeds.txt ，写你要抓取的网站。我写的是http://www.163.com。

步骤9：运行org.apache.nutch.crawl.Crawler

打开Crawler文件，“Run As” -> “Run Configurations” ，在“Arguments”选项卡的“Program Arguments”，输入 “urls -depth 3 -topN 5”，点"Run"。哈哈，报错了吧。报错信息类似于“ Failed to set permissions of path: \tmp\hadoop-Administrator\mapred\staging\Administrator1712398257\. ”的错误。这是hadoop的一个问题。解决方法是，修改/hadoop-1.0.2/src/core/org/apache/hadoop/fs/FileUtil.java里面的checkReturnValue，注释掉即可。当然最简单的办法是在网上找一个修改过的包，替换一下FileUtil.class。

再次运行，哈哈执行成功到此结束。

祝各位好运吧。

参考资料：

http://cosmo1987.iteye.com/blog/1826971

http://nlp.solutions.asia/?p=180

http://wiki.apache.org/nutch/RunNutchInEclipse

遇到的问题：

1 报 Exception in thread "main" java.lang.RuntimeException: job failed: name=parse, jobid=job_local_0004

根据在网上查到的问题可能很多首先 nutch-default.xml 中配置 <name>plugin.folders</name><value>./src/plugin</value>

其次查找 hadoop.log文件。

0 0