Nutch爬蟲配置及簡單使用

時間 2019-12-14

標籤 nutch 爬蟲配置簡單使用欄目網絡爬蟲简体版

原文原文鏈接

北京大學軟件與微電子學院曹路 2018/03/20 https://github.com/andrewcao95/nutch-crawlerhtml

1 引言

1.1 爬蟲的基本分類

爬蟲基本能夠分3類：java

分佈式爬蟲：Nutch
JAVA單機爬蟲：Crawler4j、WebMagic、WebCollector
非JAVA單機爬蟲：Scrapy

1.2 Nutch簡介

Nutch是apache旗下的一個用Java實現的開源索引引擎項目，經過nutch，誕生了hadoop、tika、gora。Nutch的設計初衷主要是爲了解決下述兩個問題：git

商業搜索引擎存在商業利益的考慮。 有的商業搜索引擎容許競價排名(好比百度)，搜索結果不是純粹的根據網頁自己的價值進行排序，這樣有的搜索結果不全是和站點內容相關。
商業搜索引擎不開源。 Nutch是開放源代碼，所以任何人均可以查看它的排序算法是如何工做的。Nutch對學術搜索和政府類站點的搜索來講是個好選擇。由於一個公平的排序結果是很是重要的。

1.3 Nutch的版本

Nutch1.2版本以後，Nutch已經從搜索引擎演化爲網絡爬蟲，演化爲兩大分支版本：1.X和2.X，最大區別在於2.X對底層的數據存儲進行了抽象以支持各類底層存儲技術，其中：github

Nutch1.2以後是一個完整的搜索引擎
Nutch1.7以後是一個基於HDFS的網絡爬蟲
Nutch2.2.1以後是一個基於Gora的網絡爬蟲

2 環境搭建與配置

2.1 環境和工具

Nutch的編譯安裝須要JDK、Ant等環境，爲此本次使用的環境和工具以下：算法

一、操做系統：Ubuntu 16.04 LTS 64位
二、JDK版本: JDK1.8.0_161
三、Nutch版本：nutch-1.9（源碼）
四、IDE：Eclipse

2.1.1 JDK配置

本次JDK使用1.8.0_161，在Oracle官網http://www.oracle.com/technetwork/java/javase/downloads/index.html 能夠下載apache

首次使用須要設置環境變量，在~/.bashrc的末尾加入如下內容：vim

#set jdk environment
export JAVA_HOME=/java/jdk1.8.0_161
export JRE_HOME=$JAVA_HOME/jre
export CLASSPATH=.:$JAVA_HOME/lib:$JRE_HOME/lib:$CLASSPATH
export PATH=$JAVA_HOME/bin:$JRE_HOME/bin:$PATH

而後使用source ~/.bashrc命令使得環境變量生效。bash

2.1.2 Nutch源碼下載

Nutch分爲bin和src，bin是運行包、src是源碼包，本次咱們使用nutch-1.9源碼包本身編譯，推薦使用SVN進行安裝，SVN checkout出來的有pom.xml文件，即maven文件。網絡

$ sudo apt install subversion
$ svn co https://svn.apache.org/repos/asf/nutch/tags/release-1.9

2.1.3 安裝Ant

到Ant官網 http://ant.apache.org/bindownload.cgi 下載最新版的Ant。oracle

一樣也須要設置環境變量

#set ant environment
export ANT_HOME=/ant/ant-1.9.10
export PATH=$PATH:$ANT_HOME/bin

2.1.4 安裝IDE

略

2.2 配置

把 conf/下的 nutch-site.xml.template複製一份，命名爲nutch-site.xml，在裏面添加配置：

<property>
  <name>http.agent.name</name>
  <value>My Nutch Spider</value>
</property>
<property>
  <name>plugin.folders</name>
  <value>$NUTCH_HOME/build/plugins</value>
</property>

$NUTCH_HOME是指nutch源碼的根目錄，例如個人是/home/andrewcao95/Desktop/release-1.9

2.3 編譯Nutch源碼

生成Eclipse項目文件，即.project文件，使用以下命令

ant eclipse

耐心等待，這個過程ant會根據ivy從中心倉庫下載各類依賴jar包，可能要幾分鐘。這裏特別要注意網絡通暢，學院的網絡可能存在必定的問題，致使不少jar包沒法訪問，最終會致使編譯失敗。同時要注意原來的配置文件中包的下載地址會發生變化，爲此須要根據報錯指令進行相對應的調整。

解決了上述問題以後，很快就能編譯成功

2.4 導入Nutch到Eclipse

按照RunNutchInEclipse的教程指導，很快就能導入項目。以後咱們就能看到Nutch項目的完整源代碼

2.5 測試Nutch源碼

源碼導入工程後，並不能執行完整的爬取。Nutch將爬取的流程切分紅不少階段，每一個階段分別封裝在一個類的main函數中。咱們首先運行Nutch中最簡單的流程：Inject。

咱們知道爬蟲在初始階段是須要人工給出一個或多個url，做爲起始點（廣度遍歷樹的樹根）。Inject的做用，就是把用戶寫在文件裏的種子(一行一個url，是TextInputFormat)，插入到爬蟲的URL管理文件(crawldb，是SequenceFile)中。

從src文件夾中找到org.apache.nutch.crawl.Injector類，能夠看到,main函數實際上是利用ToolRunner，執行了run(String[] args)。這裏ToolRunner.run會從第二個參數(new Injector())這個對象中，找到run(String[] args)這個方法執行。從run方法中能夠看出來，String[] args須要有2個參數，第一個參數表示爬蟲的URL管理文件夾(輸出），第二個參數表示種子文件夾（輸入）。對hadoop中的map reduce程序來講，輸入文件夾是必須存在的，輸出文件夾應該不存在。咱們建立一個文件夾 urls，來存放種子文件（做爲輸入）。在seed.txt中加入一個種子URL。

指定一個文件夾crawldb來做爲URL管理文件夾（輸出）。有一種簡單的方法來指定args，直接在main函數下加一行：

args=new String[]{"/home/andrewcao95/Desktop/release-1.9/crawldb","/home/andrewcao95/Desktop/release-1.9/urls"};

運行該類，能夠看到運行成功。

讀取爬蟲文件：

查看裏面的data文件

vim /home/andrewcao95/Desktop/release-1.9/crawldb/current/part-00000/data

這是一個SequenceFile，Nutch中除了Inject的輸入（種子）以外，其餘文件所有以SequenceFile的形式存儲。SequenceFile的結構以下：

key0 value0  
key1 value1  
key2  value2  
......  
keyn  valuen

以key value的形式，將對象序列（key value序列）存儲到文件中。咱們從SequenceFile頭部能夠看出來key value的類型。

上面的SequenceFile中，能夠看出key的類型是org.apache.hadoop.io.Text，value的類型是org.apache.nutch.crawl.CrawlDatum。

3 爬蟲爬取過程分析

3.1 分析爬蟲文件

首先咱們須要讀取SequenceFile的代碼，在src/java裏新建一個類org.apache.nutch.example.InjectorReader，代碼以下：

package org.apache.nutch.example;  

import org.apache.hadoop.conf.Configuration;  
import org.apache.hadoop.fs.FileSystem;  
import org.apache.hadoop.fs.Path;  
import org.apache.hadoop.io.SequenceFile;  
import org.apache.hadoop.io.Text;  
import org.apache.nutch.crawl.CrawlDatum;  

import java.io.IOException;  

public class InjectorReader {  
    public static void main(String[] args) throws IOException {  
        Configuration conf=new Configuration();  
        Path dataPath=new Path("/home/andrewcao95/Desktop/release-1.9/crawldb/current/part-00000/data");  
        FileSystem fs=dataPath.getFileSystem(conf);  
        SequenceFile.Reader reader=new SequenceFile.Reader(fs,dataPath,conf);  
        Text key=new Text();  
        CrawlDatum value=new CrawlDatum();  
        while(reader.next(key,value)){  
            System.out.println("key:"+key);  
            System.out.println("value:"+value);  
        }  
        reader.close();  
    }  
}

獲得的運行結果如圖所示：

咱們能夠看到，程序讀出了剛纔Inject到crawldb的url，key是url，value是一個CrawlDatum對象，這個對象用來維護爬蟲的URL管理信息，咱們能夠看到一行Status: 1 (db_unfetched)，這表示表示當前url爲未爬取狀態，在後續流程中，爬蟲會從crawldb取未爬取的url進行爬取。

3.2 一次完整的爬蟲爬取過程

在爬取以前，咱們先修改一下conf/nutch-default.xml中的一個地方,這個值會在發送http請求時，做爲User-Agent字段。

在org.apache.nutch.crawl中新建一個Crawl.java文件，代碼以下所示

package org.apache.nutch.crawl;  

import java.util.*;  
import java.text.*;  
import org.apache.commons.lang.StringUtils;  
import org.slf4j.Logger;  
import org.slf4j.LoggerFactory;  
import org.apache.hadoop.fs.*;  
import org.apache.hadoop.conf.*;  
import org.apache.hadoop.mapred.*;  
import org.apache.hadoop.util.Tool;  
import org.apache.hadoop.util.ToolRunner;  
import org.apache.nutch.parse.ParseSegment;  
import org.apache.nutch.indexer.IndexingJob;   
import org.apache.nutch.util.HadoopFSUtil;  
import org.apache.nutch.util.NutchConfiguration;  
import org.apache.nutch.util.NutchJob;  

import org.apache.nutch.fetcher.Fetcher;  

public class Crawl extends Configured implements Tool {  
    public static final Logger LOG = LoggerFactory.getLogger(Crawl.class);  

    private static String getDate() {  
        return new SimpleDateFormat("yyyyMMddHHmmss").format  
                (new Date(System.currentTimeMillis()));  
    }  

    public static void main(String args[]) throws Exception {  
        Configuration conf = NutchConfiguration.create();  
        int res = ToolRunner.run(conf, new Crawl(), args);  
        System.exit(res);  
    }  

    @Override  
    public int run(String[] args) throws Exception {  
        /*種子所在文件夾*/  
        Path rootUrlDir = new Path("/home/andrewcao95/Desktop/release-1.9/urls");  
        /*存儲爬取信息的文件夾*/  
        Path dir = new Path("/home/andrewcao95/Desktop/release-1.9","crawl-" + getDate());  
        int threads = 50;  
        /*廣度遍歷時爬取的深度，即廣度遍歷樹的層數*/  
        int depth = 2;  
        long topN = 10;  

        JobConf job = new NutchJob(getConf());  
        FileSystem fs = FileSystem.get(job);  

        if (LOG.isInfoEnabled()) {  
            LOG.info("crawl started in: " + dir);  
            LOG.info("rootUrlDir = " + rootUrlDir);  
            LOG.info("threads = " + threads);  
            LOG.info("depth = " + depth);  
            if (topN != Long.MAX_VALUE)  
                LOG.info("topN = " + topN);  
        }  

        Path crawlDb = new Path(dir + "/crawldb");  
        Path linkDb = new Path(dir + "/linkdb");  
        Path segments = new Path(dir + "/segments");  
        Path indexes = new Path(dir + "/indexes");  
        Path index = new Path(dir + "/index");  

        Path tmpDir = job.getLocalPath("crawl"+Path.SEPARATOR+getDate());  
        Injector injector = new Injector(getConf());  
        Generator generator = new Generator(getConf());  
        Fetcher fetcher = new Fetcher(getConf());  
        ParseSegment parseSegment = new ParseSegment(getConf());  
        CrawlDb crawlDbTool = new CrawlDb(getConf());  
        LinkDb linkDbTool = new LinkDb(getConf());  

        // initialize crawlDb  
        injector.inject(crawlDb, rootUrlDir);  
        int i;  
        for (i = 0; i < depth; i++) {             // generate new segment  
            Path[] segs = generator.generate(crawlDb, segments, -1, topN, System  
                    .currentTimeMillis());  
            if (segs == null) {  
                LOG.info("Stopping at depth=" + i + " - no more URLs to fetch.");  
                break;  
            }  
            fetcher.fetch(segs[0], threads);  // fetch it  
            if (!Fetcher.isParsing(job)) {  
                parseSegment.parse(segs[0]);    // parse it, if needed  
            }  
            crawlDbTool.update(crawlDb, segs, true, true); // update crawldb  
        }  

        if (LOG.isInfoEnabled()) { LOG.info("crawl finished: " + dir); }  
        return 0;  
    }  
}

經過上述代碼能夠執行一次完整的爬取，程序運行結果以下所示：

運行成功，對網站（http://pku.edu.cn/）進行了2層爬取，爬取信息都保存在/tmp/crawl+時間的文件夾中