Nutch学习整理第一部分 单机尝试1、安装部署Nutch的部署和其他Hadoop生态产品的部署流程基本相：下载软件，上传到服务器，解压文件，修改配置文件。网上有很多类资料，不再赘述。Nutch的配置文件主要有两个： domain-urlfilter.txt 是用来配置所爬取网站的范
Nutch学习整理第一部分 单机尝试1、安装部署Nutch的部署和其他Hadoop生态产品的部署流程基本相似：下载软件，上传到服务器，解压文件，修改配置文件。网上有很多类似资料，不再赘述。Nutch的配置文件主要有两个：
- domain-urlfilter.txt 是用来配置所爬取网站的范围，域名和它的子网页的正则表达式，类似于爬取规则。一般配置为： # accept hosts in MY.DOMAIN.NAME +^http://([a-z0-9]*\.)*MY.DOMAIN.NAME/
- nutch-site.xml 这类似于对我要爬取的网站进行一下声明，不声明的话，会导致爬取失败。
2、单机主要爬取命令简单命令格式，不赘述。bin/nutch crawl [-dir d] [-threads n] [-depth i] [-topN]
3、爬取结果解析nutch爬取下来的网页信息，保存路径格式如下：主要爬取信息保存在路径segments下：
vcD4KPHVsPgo8bGk+Q3Jhd2xkYsrHy/nT0NDo0qrXpcihtcSzrMGsvdPQxc+iKLTmt8XPwtTYtcRVUkyjrLywz8LU2LXEyNXG2qOs08PAtNKzw+a4/NDCvOyy6cqxvOSjrNK7sOPU2sXAyKHE2sjdveLO9sq9sru74dPDtb2jqTxsaT5MaW5rZGLW0LTmt8W1xMrHy/nT0LOsway907ywxuTDv7j2way907XEwazI67XY1re6zcOqzsSxvqGjPGxpPlNlZ21lbnRztOa3xdelyKG1xNKzw+ajrNPryc/D5sG0vdPJ7rbIIGRlcHRoIM/gudijrGRlcHRoyejOqry41PLU2iBzZWdtZW50c8/Cyfqzyby4uPbS1MqxvOTD/MP7tcTX087EvP680KGjz8LA/b3YzbzKxwogLWRlcHRoPTMKCjxpbWcgc3JjPQ==”http://www.2cto.com/uploadfile/Collfiles/20141127/2014112709151123.jpg” alt=”\”>
Segments下的文件夹含义：- crawl_generate ：names a set of urls to be fetched
- crawl_fetch ： contains the status of fetching each url
- crawl_parse ： contains the outlink urls, used to update the crawldb
- content ： contains the content of each url
- parse_text ： contains the parsed text of each url
- parse_data ： contains outlinks and metadata parsed from each urlSegments是每轮抓取的时候根据crawldb生成的。存放的信息包括6种content、crawl_fetch、crawl_generate、crawl_parse、parse_data、parse_text。其中content是抓取下来的网页内容；crawl_generate最初生本文来源gao@daima#com搞(%代@#码@网2成（待下载URL集合）；crawl_fetch（每个下载URL的状态）、content在抓取时生成；crawl_parse（包含用来更新crawldb的外链）、parse_data、parse_text在解析抓取的数据文件时生成。在进行爬取结果导出的时候，六个参数（-nocontent -nofetch -noparse -noparsedata -noparsetext -nogenerate）分别对应需要导出的内容。导出命令例： [root@master local]# bin/nutch readseg -dump data_1125/segments/20141125020224 data_dump -nocontent -nofetch -nogenerate -noparse -noparsedata
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：Hadoop-Nutch学习整理（持续更新）
- nutch-site.xml 这类似于对我要爬取的网站进行一下声明，不声明的话，会导致爬取失败。
