搜尋引擎Nutch 0.7.2 試用筆記

我的jdk 是1.5.x ，Tomcat是5.0.x

1 下載0.7.2 版本的包：裡面已經包含了war檔案，所以不需要Ant編譯了

2 安裝Cygwin，這個沒什麼好說的。

3 把Nutch借壓縮到D:/nutch

4 在D:/nutch下面建立一個檔案 urls （沒有尾碼）

http://www.xxx.edu.cn/

5 在D:/nutch/conf/crawl-urlfilter.txt裡面，加入

+^http://www.xxx.edu.cn/

6 環境變數加入

NUTCH_JAVA_HOME = D:/jdk1.5.0_06

7 開啟cygwin視窗，

cd D:/nutch

在D:/nutch下面執行

bin/nutch crawl urls -dir crawled -depth 3 >& crawl.log
這個命令會在目前的目錄下建立一個crawled的檔案夾，然後對剛才的www.xxx.edu.cn的網站開始檢索。
層數是3層，一般最好10層。然後結果輸出在crawl.log裡面
8 將nutch-0.7.2.war拷貝到tomcat/webapps下面，改名nutch
9 在D:/tomcat/conf/Catalina/localhost/ 建立nutch.xml
<Context path="" debug="5" privileged="true" docBase="nutch"/>
10 啟動tomcat，等war解開以後，開啟
D:/tomcat/webapps/nutch/WEB-INF/classes/nutch-site.xml
修改如下
<nutch-conf><property>    <name>searcher.dir</name>    <value>D:/nutch/crawled/</value></property></nutch-conf>
11 D:/tomcat/webapps/nutch/zh/include 下面建立header.jsp，內容就是複製header.html，但是
前面加上
<%@ page   contentType="text/html; charset=UTF-8"  pageEncoding="UTF-8"%>
在D:/tomcat/webapps/nutch/search.jsp裡面，找到並修改為
<jsp:include page="<%= language + "/include/header.jsp"%>"/>
順便把下面js注釋掉
function queryfocus() {
//search.query.focus();  }
12 D:/tomcat/conf/server.xml 找到以下段，並修改
    <Connector port="8080"               maxThreads="150" minSpareThreads="25" maxSpareThreads="75"               enableLookups="false" redirectPort="8443" acceptCount="100"               debug="0" connectionTimeout="20000"                disableUploadTimeout="true"                URIEncoding="UTF-8" useBodyEncodingForURI="true" />
好了，到此，重啟tomcat，訪問 http://localhost:8080 就可以看到搜尋首頁了，而且搜尋支援中文
和分詞，雖然分得不是很好。
13 接下來一個重要的功能就是累加式更新索引。
在D:/nutch下建立recrawl.sh 。內容為
#!/bin/bash
# A simple script to run a Nutch re-crawl
if [ -n "$1" ]then  crawl_dir=$1else  echo "Usage: recrawl crawl_dir [depth] [adddays]"  exit 1fi
if [ -n "$2" ]then  depth=$2else  depth=5fi
if [ -n "$3" ]then  adddays=$3else  adddays=0fi
webdb_dir=$crawl_dir/dbsegments_dir=$crawl_dir/segmentsindex_dir=$crawl_dir/index
# The generate/fetch/update cyclefor ((i=1; i <= depth ; i++))do  bin/nutch generate $webdb_dir $segments_dir -adddays $adddays  segment=`ls -d $segments_dir/* | tail -1`  bin/nutch fetch $segment  bin/nutch updatedb $webdb_dir $segmentdone
# Update segmentsmkdir tmpbin/nutch updatesegs $webdb_dir $segments_dir tmprm -R tmp
# Index segmentsfor segment in `ls -d $segments_dir/* | tail -$depth`do  bin/nutch index $segmentdone
# De-duplicate indexes# "bogus" argument is ignored but needed due to# a bug in the number of args expectedbin/nutch dedup $segments_dir bogus
# Merge indexesls -d $segments_dir/* | xargs bin/nutch merge $index_dir
在cygwin裡面，執行
./recrawl crawled 8
意思是更新索引，目錄是crawled,層數8 。還可以把天數跟在後面。執行完畢後要重啟Tomcat，因為
Nutch.war裡面對查詢有緩衝。
 
最後可以把這個指令碼放到crontab裡面，每天夜裡2點執行，執行完畢後重新啟動Tomcat。