- 1、本文档共22页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
Nutch 相关框架视频教程
Nutch 相关框架视频教程
第一讲
1、 通过 nutch,诞生了 hadoop、tika、gora。
2、 nutch 通过 ivy 来进行依赖管理(1.2 之后)。
3、 nutch 是使用 svn 进行源代码管理的。
4、 lucene、nutch、hadoop,在搜索界相当有名。
5、 ant 构建之后,生成 runtime 文件夹,该文件夹下
面有 deploy 和 local 文件夹,分别代表了 nutch 的
两种运行方式。
6、 nutch 和 hadoop 是通过什么连接起来的?通过
nutch 脚 本 。 通 过 hadoop 命 令 把
apache-nutch-1.6.job 提 交 给 hadoop 的
JobTracker。
7、 nutch 入门重点在于分析 nutch 脚本文件。
1 / 22
Nutch 相关框架视频教程
第二讲
1、 git 来作为分布式版本控制工具,github 作为 server。
提供免费的私有库。
2、 nutch 的提高在于研读 nutch-default.xml 文件中
的每一个配置项的实际含义(需要结合源代码理解)。
3、 定制开发 nutch 的入门方法是研读 build.xml 文件。
4、 命令:
apt-get install subversion
svn co /repos/asf/nutch/tags/release-1.6/
cd release-1.6
apt-get install ant
ant
cd runtime/local
mkdir urls
vi urls/url.txt 并输入
nohup bin/nutch crawl urls -dir data -depth 3 -threads 100
vi release-1.6/conf/nutch-site.xml 增加 配置
2 / 22
Nutch 相关框架视频教程
cd ../../release-1.6
ant
cd runtime/local
nohup bin/nutch crawl urls -dir data -depth 3 -threads 100
删除报错的文件夹
nohup bin/nutch crawl urls -dir data -depth 1 -threads 100
第三讲
1、 nutch 的存储文件夹 data 下面各个文件夹和文件里
面的内容究竟是什么?
2、 命令:
crawldb
bin/nutch | grep read
bin/nutch readdb data/crawldb -stats
bin/nutch readdb data/crawldb -dump data/crawldb/crawldb_dump
bin/nutch readdb data/crawldb -url http://4008209999./
bin/nutch readdb data/crawldb -topN 10 data/crawldb/crawldb_topN
bin/nutch readdb data/crawldb -topN 10 data/crawldb/crawldb_topN_m 1
segments
crawl_generate :
bin/nutch readseg -dump data/segments/20130325042858
文档评论(0)