Nutch是一个优秀的开源的数据爬取框架，我们只需要简单的配置，就可以完成数据爬取，当然，Nutch里面也提供了很灵活的的插件机制，我们随时都可以对它进行二次开发，以满足我们的需求，本篇散仙，先来介绍下，如何在eclipse里面以local模式调试nutch，只有在eclipse里面把它弄清楚了，那么，我们学习起来，才会更加容易，因为，目前大多数人，使用nutch，都是基于命令行的操作，虽然很简单方便，但是想深入定制开发，就很困难，所以，散仙在本篇里，会介绍下nutch基本的调试，以及编译。
下面进入正题，我们先来看下基本的步骤。
| 序号 | 名称 | 描述 |
| 1 | 安装部署ant | 编译nutch编码使用 |
| 2 | 下载nutch源码 | 必须步骤 |
| 3 | 在nutch源码根目录下，执行ant等待编译完成 | 构建nutch |
| 4 | 配置nutch-site.xml | 必须步骤 |
| 5 | ant eclipse 构建eclipse项目 | 导入eclipse中，调试 |
| 6 | conf目录置顶 | nutch加载时，会读取配置文件 |
| 7 | 执行org.apache.nutch.crawl.Injector注入种子 | local调试 |
| 8 | 执行org.apache.nutch.crawl.Generator生成一个抓取列表 | local调试 |
| 9 | 执行org.apache.nutch.fetcher.Fetcher生成一个抓取队列 | local调试 |
| 10 | 执行org.apache.nutch.parse.ParseSegment执行contet生一个段文件 | local调试 |
| 11 | 配置好solr服务 | 检索服务查询 |
| 12 | 执行org.apache.nutch.indexer.IndexingJob映射solr索引 | local调试 |
| 13 | 映射完成后，就可以solr里面执行查询了 | 校验结果 |
编译完，导入eclipse的中如下图所示，注意conf文件夹置顶：
nutch-site.xml里面的配置如下：
<?xml version="1.0"?><?xml-stylesheet type="text/xsl" href="configuration.xsl"?><!-- Put site-specific property overrides in this file. --><configuration><property> <name>http.agent.name</name> <value>mynutch</value></property><property> <name>http.robots.agents</name> <value>*</value> <description>The agent strings we'll look for in robots.txt files, comma-separated, in decreasing order of precedence. You should put the value of http.agent.name as the first agent name, and keep the default * at the end of the list. E.g.: BlurflDev,Blurfl,* </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></configuration>
下面简单介绍下，在各个类里运行，需要做的一些改动，首先运行nutch，是基于Hadoop的local模式调试的，所以，你得改变下hadoop的权限，否则在运行过程中，会报错。散仙在这里提供一个简单的方法，拷贝hadoop的FileUtils类进行eclipse中，修改它的权限校验即可，如果你是在linux上运行，就不需要考虑这个问题了。
在开始调试之前，你需要在项目的根目录下建一个urls文件夹，并新建一个种子文件放入你要抓取的网址。
在Injector类里面，run方法里，改成
public int run(String[] args) throws Exception {// if (args.length < 2) {// System.err.println("Usage: Injector <crawldb> <url_dir>");// return -1;// } args=new String[]{"mydir","urls"};//urls try { inject(new Path(args[0]), new Path(args[1])); return 0; } catch (Exception e) { LOG.error("Injector: " + StringUtils.stringifyException(e)); return -1; } }在Generator里面的run方法改成
public int run(String[] args) throws Exception {// if (args.length < 2) {// System.out// .println("Usage: Generator <crawldb> <segments_dir> [-force] [-topN N] [-numFetchers numFetchers] [-adddays numDays] [-noFilter] [-noNorm][-maxNumSegments num]");// return -1;// } args=new String[]{"mydir","myseg","6","7",""}; Path dbDir = new Path(args[0]); Path segmentsDir = new Path(args[1]); long curTime = System.currentTimeMillis(); long topN = Long.MAX_VALUE; int numFetchers = -1; boolean filter = true; boolean norm = true; boolean force = false; int maxNumSegments = 1; for (int i = 2; i < args.length; i++) { if ("-topN".equals(args[i])) { topN = Long.parseLong(args[i + 1]); i++; } else if ("-numFetchers".equals(args[i])) { numFetchers = Integer.parseInt(args[i + 1]); i++; } else if ("-adddays".equals(args[i])) { long numDays = Integer.parseInt(args[i + 1]); curTime += numDays * 1000L * 60 * 60 * 24; } else if ("-noFilter".equals(args[i])) { filter = false; } else if ("-noNorm".equals(args[i])) { norm = false; } else if ("-force".equals(args[i])) { force = true; } else if ("-maxNumSegments".equals(args[i])) { maxNumSegments = Integer.parseInt(args[i + 1]); } } try { Path[] segs = generate(dbDir, segmentsDir, numFetchers, topN, curTime, filter, norm, force, maxNumSegments); if (segs == null) return -1; } catch (Exception e) { LOG.error("Generator: " + StringUtils.stringifyException(e)); return -1; } return 0; }在Fetcher的run方法里面改动：
public int run(String[] args) throws Exception { String usage = "Usage: Fetcher <segment> [-threads n]"; args=new String[]{"D:\\20140520nutchplugin\\apache-nutch-1.8\\myseg\\20140520120541","4"};// if (args.length < 1) {// System.err.println(usage);// return -1;// } Path segment = new Path(args[0]); int threads = getConf().getInt("fetcher.threads.fetch", 10); boolean parsing = false; for (int i = 1; i < args.length; i++) { // parse command line if (args[i].equals("-threads")) { // found -threads option threads = Integer.parseInt(args[++i]); } } getConf().setInt("fetcher.threads.fetch", threads); try { fetch(segment, threads); return 0; } catch (Exception e) { LOG.error("Fetcher: " + StringUtils.stringifyException(e)); return -1; } }在ParseSegment里面的run方法改动：
public int run(String[] args) throws Exception { Path segment; String usage = "Usage: ParseSegment segment [-noFilter] [-noNormalize]";// if (args.length == 0) {// System.err.println(usage);// System.exit(-1);// } args=new String[]{"D:\\20140520nutchplugin\\apache-nutch-1.8\\myseg\\20140520120541"}; if(args.length > 1) { for(int i = 1; i < args.length; i++) { String param = args[i]; if("-nofilter".equalsIgnoreCase(param)) { getConf().setBoolean("parse.filter.urls", false); } else if ("-nonormalize".equalsIgnoreCase(param)) { getConf().setBoolean("parse.normalize.urls", false); } } } segment = new Path(args[0]); parse(segment); return 0; }在IndexingJob的run方法里面改动：
public int run(String[] args) throws Exception { args=new String[]{"mydir","D:\\20140520nutchplugin\\apache-nutch-1.8\\myseg\\20140520120541"}; if (args.length < 2) { System.err .println("Usage: Indexer <crawldb> [-linkdb <linkdb>] [-params k1=v1&k2=v2...] (<segment> ... | -dir <segments>) [-noCommit] [-deleteGone] [-filter] [-normalize]"); IndexWriters writers = new IndexWriters(getConf()); System.err.println(writers.describe()); return -1; } final Path crawlDb = new Path(args[0]); Path linkDb = null; final List<Path> segments = new ArrayList<Path>(); String params = null; boolean noCommit = false; boolean deleteGone = false; boolean filter = false; boolean normalize = false; for (int i = 1; i < args.length; i++) { if (args[i].equals("-linkdb")) { linkDb = new Path(args[++i]); } else if (args[i].equals("-dir")) { Path dir = new Path(args[++i]); FileSystem fs = dir.getFileSystem(getConf()); FileStatus[] fstats = fs.listStatus(dir, HadoopFSUtil.getPassDirectoriesFilter(fs)); Path[] files = HadoopFSUtil.getPaths(fstats); for (Path p : files) { segments.add(p); } } else if (args[i].equals("-noCommit")) { noCommit = true; } else if (args[i].equals("-deleteGone")) { deleteGone = true; } else if (args[i].equals("-filter")) { filter = true; } else if (args[i].equals("-normalize")) { normalize = true; } else if (args[i].equals("-params")) { params = args[++i]; } else { segments.add(new Path(args[i])); } } try { index(crawlDb, linkDb, segments, noCommit, deleteGone, params, filter, normalize); return 0; } catch (final Exception e) { LOG.error("Indexer: " + StringUtils.stringifyException(e)); return -1; } }除此之外，还需要，在SolrIndexWriter的187行和SolrUtils的54行分别添加如下代码，修改solr的映射地址：
String serverURL = conf.get(SolrConstants.SERVER_URL); serverURL="http://localhost:8983/solr/";
// String serverURL = job.get(SolrConstants.SERVER_URL); String serverURL ="http://localhost:8983/solr";
按上面几个步骤，每执行一个类的时候，就修改其的运行参数，因为nutch的作业具有依赖性，这一个作业的输入，往往是上一个作业的输出，手动依次运行修改上面的5个类，最终我们的索引就可以生成在solr里，截图如下：
当然，我们还可以，配置分词策略，来使我们检索更加通用，准确.