使用Nutch搭建自己的搜索引擎,开源软件推荐

今天给大家分享一下如何使用Nutch搭建自己的搜索引擎,Nutch 是一个开源Java 实现的搜索引擎。它提供了我们运行自己的搜索引擎所需的全部工具。包括全文搜索和Web爬虫。

本指南设置了一个非集群Nutch爬虫程序,该程序通过HBase存储其数据。我们将不学习如何设置Hadoop等,只学习在一台机器上抓取和索引网站的最低要求。

使用软件

  • Nutch – 爬虫(获取和解析网站)
  • HBase – Nutch的文件系统存储(基本上是Hadoop组件)
  • Gora – Nutch使用的文件系统抽象(HBase是可能的实现之一)
  • ElasticSearch – 索引/搜索引擎工具,搜索Nutch抓取到的数据

依赖项

  • OpenJDK 7 & ant
  • Nutch 2.3 RC (必须要2.3 或以上版本,2.2版本的不适用本教程)
  • HBase 0.94.26 (HBase 0.98 版本的不可以)
  • ElasticSearch 1.4.2

首先需要安装上面列出的这几项 OpenJDK, ant 和 ElasticSearch (也可以通过下面的网址下载)

https://github.com/apache/nutch/archive/release-2.3.tar.gz
http://mirror.cc.columbia.edu/pub/software/apache/hbase/hbase-0.94.26/hbase-0.94.26.tar.gz
https://download.elasticsearch.org/elasticsearch/elasticsearch/elasticsearch-1.4.2.deb

把 Nutch 和 HBase 解压到自己定义的文件目录内,下面教程中我们使用 $NUTCH_ROOT 代表你 Nutch 软件解压后的存放目录, $HBASE_ROOT 表你 HBase 软件解压后的存放目录!

首先启动 HBase

  1. 编辑 $HBASE_ROOT/conf/hbase-site.xml 这个配置文件(如果没有就新建)
<configuration>
  <property>
    <name>hbase.rootdir</name>
    <value>file:///full/path/to/where/the/data/should/be/stored</value>
  </property>
  <property>
    <name>hbase.cluster.distributed</name>
    <value>false</value>
  </property>
</configuration>
  1. 编辑配置文件 $HBASE_ROOT/conf/hbase-env.sh 并启用 JAVA_HOME 并将其设置为正确的路径:
# export JAVA_HOME=/usr/java/jdk1.6.0/
export JAVA_HOME=/usr/lib/jvm/java-7-openjdk-amd64/

这一步似乎是多余的,但即使在我的shell中设置了JAVA_HOME,HBase也无法识别它。

  1. 启动 HBase 命令:
$HBASE_ROOT/bin/start-hbase.sh

启动 Nutch

  1. 启用配置文件 $NUTCH_ROOT/ivy/ivy.xml 中的配置项。把这一行取消注释即可
<dependency org="org.apache.gora" name="gora-hbase" rev="0.5" conf="*->default" />
  1. 修改另一个配置文件来启用hbase, $NUTCH_ROOT/conf/gora.properties:
# gora.datastore.default=org.apache.gora.mock.store.MockDataStore
gora.datastore.default=org.apache.gora.hbase.store.HBaseStore
  1. build 一下 Nutch
$ cd $NUTCH_ROOT
$ ant clean
$ ant runtime

第一次运行此命令会有点慢,请耐心等待! 命令完成后会创建出这个文件夹 $NUTCH_ROOT/runtime/local.

  1. 修改Nutch的配置文件 $NUTCH_ROOT/runtime/local/conf/nutch-site.xml:
<configuration>
  <property>
    <name>http.agent.name</name>
    <value>zhuangpenglong</value> <!-- this can be changed to something more sane if you like -->
  </property>
  <property>
    <name>http.robots.agents</name>
    <value>zhuangpenglong</value> <!-- this is the robot name we're looking for in robots.txt files -->
  </property>
  <property>
    <name>storage.data.store.class</name>
    <value>org.apache.gora.hbase.store.HBaseStore</value>
  </property>
  <property>
    <name>plugin.includes</name>
    <!-- do **NOT** enable the parse-html plugin, if you want proper HTML parsing. Use something like parse-tika! -->
    <value>protocol-httpclient|urlfilter-regex|parse-(text|tika|js)|index-(basic|anchor)|query-(basic|site|url)|response-(json|xml)|summary-basic|scoring-opic|urlnormalizer-(pass|regex|basic)|indexer-elastic</value>
  </property>
  <property>
    <name>db.ignore.external.links</name>
    <value>true</value> <!-- do not leave the seeded domains (optional) -->
  </property>
  <property>
    <name>elastic.host</name>
    <value>localhost</value> <!-- where is ElasticSearch listening -->
  </property>
</configuration>
  1. 配置HBase 的数据存储位置 $NUTCH_ROOT/runtime/local/conf/hbase-site.xml:
<configuration>
  <property>
    <name>hbase.rootdir</name>
    <value>file:///full/path/to/where/the/data/should/be/stored</value> 
      <!-- same path as you've given for HBase above -->
  </property>
  <property>
    <name>hbase.cluster.distributed</name>
    <value>false</value>
  </property>
</configuration>

以上这些设置都是为了抓取网站

设置Nutch要抓取的 种子网站

  1. 创建一个空目录。然后在目录里新建一个包含种子URL列表的文本文件。
$ mkdir seed
$ echo "https://www.zhuangpenglong.com" >> seed/urls.txt
  1. 通过提供一个文件URL将它们注入Nutch
$ $NUTCH_ROOT/runtime/local/bin/nutch inject  seed/urls.txt

开始执行爬虫程序

  • 生成要获取的新url集。这是基于注入的url和过时的url在Nutch爬行数据库:
$ $NUTCH_ROOT/runtime/local/bin/nutch generate -topN 10

上述命令将为 10 个 URL 创建作业批次。

  • 开始获取 URL:
$ $NUTCH_ROOT/runtime/local/bin/nutch fetch -all
  • 开始获取的网页内容 :
$ $NUTCH_ROOT/runtime/local/bin/nutch parse -all
  • 最后一步:更新 Nutch 的内部数据库:
$ $NUTCH_ROOT/runtime/local/bin/nutch updatedb -all

在第一次运行时,这只会抓取注入的 URL。 上面的过程应该定期重复以保持索引最新。

将Nutch抓取到的内容放入 ElasticSearch

很简单每一条命令搞定:

$ $NUTCH_ROOT/runtime/local/bin/nutch index -all

如何使用ElasticSearch 进行搜索

可以通过 ElasticSearch 官网指定的通用方式:

$ curl -X GET "http://localhost:9200/_search?query=庄朋龙"

返回结果时json格式, 可以对接任意前端页面!!!

更全面的视频教程正在录制中,大家关注我,后面更新后就能看到推荐!

暂无评论

发表评论