小菜毛毛技術分享

Nutch vs Lucene
Lucene 不是完整的應用程序，而是一個用于實現全文檢索的軟件庫。
Nutch 是一個應用程序，可以以 Lucene 為基礎實現搜索引擎應用。

Nutch vs GRUB
GRUB 是一個分布式搜索引擎(參考)。用戶只能得到客戶端工具(只有客戶端是開源的)，其目的在于利用用戶的資源建立集中式的搜索引擎。
Nutch 是開源的，可以建立自己內部網的搜索引擎，也可以針對整個網絡建立搜索引擎。自由(Free)而免費(Free)。

Nutch vs Larbin
"Larbin只是一個爬蟲，也就是說larbin只抓取網頁，至于如何parse的事情則由用戶自己完成。另外，如何存儲到數據庫以及建立索引的事情 larbin也不提供。［引自這里］
Nutch 則還可以存儲到數據庫并建立索引。

［引自這里］

Nutch 的早期版本不支持中文搜索，而最新的版本(2004-Aug-04 發布了 0.5)已經做了很大的改進。相對先前的 0.4 版本，有 20 多項的改進，結構上也更具備擴展性。0.5 版經過測試，對中文搜索支持的也很好。

下面是我的測試過程。

前提條件(這里Linux 為例，如果是 Windows 參見手冊)：

• Java 1.4.x 。因為我的系統上安裝的Oracle 10g 已經有 Java 了。設定環境變量：NUTCH_JAVA_HOME 。

  [root@fc3 ~]# export NUTCH_JAVA_HOME=/u01/app/oracle/product/10.1.0/db_1/jdk/jre
      

• Tomcat 4.x 。從這里下載。
• 足夠的磁盤空間。我預留了 4G 的空間。

首先下載最新的穩定版：

[root@fc3 ~]# wget http://www.nutch.org/release/nutch-0.5.tar.gz

解壓縮:

[root@fc3 ~]# tar -zxvf nutch-0.5.tar.gz
......
[root@fc3 ~]# mv nutch-0.5 nutch

測試一下 nutch 命令：

[root@fc3 nutch]# bin/nutch
Usage: nutch COMMAND
where COMMAND is one of:
crawl             one-step crawler for intranets
admin             database administration, including creation
inject            inject new urls into the database
generate          generate new segments to fetch
fetchlist         print the fetchlist of a segment
fetch             fetch a segment's pages
dump              dump a segment's pages
index             run the indexer on a segment's fetcher output
merge             merge several segment indexes
dedup             remove duplicates from a set of segment indexes
updatedb          update database from a segment's fetcher output
mergesegs         merge multiple segments into a single segment
readdb            examine arbitrary fields of the database
analyze           adjust database link-analysis scoring
server            run a search server
or
CLASSNAME         run the class named CLASSNAME
Most commands print help when invoked w/o parameters.
[root@fc3 nutch]#

Nutch 的爬蟲有兩種方式

• 爬行企業內部網(Intranet crawling)。針對少數網站進行。用 crawl 命令。
• 爬行整個互聯網。 使用低層的 inject, generate, fetch 和 updatedb 命令。具有更強的可控制性。

以本站(http://www.dbanotes.net)為例，先進行一下針對企業內部網的測試。

http://www.dbanotes.net/

然后編輯conf/crawl-urlfilter.txt 文件，設定過濾信息，我這里只修改了MY.DOMAIN.NAME:

# accept hosts in MY.DOMAIN.NAME
+^http://([a-z0-9]*\.)*dbanotes.net/

運行如下命令開始抓取分析網站內容：

[root@fc3 nutch]# bin/nutch crawl urls -dir crawl.demo -depth 2 -threads 4 >& crawl.log

depth 參數指爬行的深度，這里處于測試的目的，選擇深度為 2 ；
threads 參數指定并發的進程 這是設定為 4 ；

在該命令運行的過程中，可以從 crawl.log 中查看 nutch 的行為以及過程:

......
050102 200336 loading file:/u01/nutch/conf/nutch-site.xml
050102 200336 crawl started in: crawl.demo
050102 200336 rootUrlFile = urls
050102 200336 threads = 4
050102 200336 depth = 2
050102 200336 Created webdb at crawl.demo/db
......
050102 200336 loading file:/u01/nutch/conf/nutch-site.xml
050102 200336 crawl started in: crawl.demo
050102 200336 rootUrlFile = urls
050102 200336 threads = 4
050102 200336 depth = 2
050102 200336 Created webdb at crawl.demo/db
050102 200336 Starting URL processing
050102 200336 Using URL filter: net.nutch.net.RegexURLFilter
......
050102 200337 Plugins: looking in: /u01/nutch/plugins
050102 200337 parsing: /u01/nutch/plugins/parse-html/plugin.xml
050102 200337 parsing: /u01/nutch/plugins/parse-pdf/plugin.xml
050102 200337 parsing: /u01/nutch/plugins/parse-ext/plugin.xml
050102 200337 parsing: /u01/nutch/plugins/parse-msword/plugin.xml
050102 200337 parsing: /u01/nutch/plugins/query-site/plugin.xml
050102 200337 parsing: /u01/nutch/plugins/protocol-http/plugin.xml
050102 200337 parsing: /u01/nutch/plugins/creativecommons/plugin.xml
050102 200337 parsing: /u01/nutch/plugins/language-identifier/plugin.xml
050102 200337 parsing: /u01/nutch/plugins/query-basic/plugin.xml
050102 200337 logging at INFO
050102 200337 fetching http://www.dbanotes.net/
050102 200337 http.proxy.host = null
050102 200337 http.proxy.port = 8080
050102 200337 http.timeout = 10000
050102 200337 http.content.limit = 65536
050102 200337 http.agent = NutchCVS/0.05 (Nutch; http://www.nutch.org/docs/en/bot.html; n
utch-agent@lists.sourceforge.net)
050102 200337 fetcher.server.delay = 1000
050102 200337 http.max.delays = 100
050102 200338 http://www.dbanotes.net/: setting encoding to GB18030
050102 200338 CC: found http://creativecommons.org/licenses/by-nc-sa/2.0/ in rdf of http:
//www.dbanotes.net/
050102 200338 CC: found text in http://www.dbanotes.net/
050102 200338 status: 1 pages, 0 errors, 12445 bytes, 1067 ms
050102 200338 status: 0.9372071 pages/s, 91.12142 kb/s, 12445.0 bytes/page
050102 200339 Updating crawl.demo/db
050102 200339 Updating for crawl.demo/segments/20050102200336
050102 200339 Finishing update
64,1           7%
050102 200337 parsing: /u01/nutch/plugins/query-basic/plugin.xml
050102 200337 logging at INFO
050102 200337 fetching http://www.dbanotes.net/
050102 200337 http.proxy.host = null
050102 200337 http.proxy.port = 8080
050102 200337 http.timeout = 10000
050102 200337 http.content.limit = 65536
050102 200337 http.agent = NutchCVS/0.05 (Nutch; http://www.nutch.org/docs/en/bot.html;
nutch-agent@lists.sourceforge.net)
050102 200337 fetcher.server.delay = 1000
050102 200337 http.max.delays = 100
......

之后配置 Tomcat (我的 tomcat 安裝在 /opt/Tomcat) ，

[root@fc3 nutch]# rm -rf /opt/Tomcat/webapps/ROOT*
[root@fc3 nutch]# cp nutch*.war /opt/Tomcat/webapps/ROOT.war
[root@fc3 webapps]# cd /opt/Tomcat/webapps/
[root@fc3 webapps]# jar xvf ROOT.war
[root@fc3 webapps]# ../bin/catalina.sh start

瀏覽器中輸入 http://localhost:8080 查看結果(遠程查看需要將 localhost 換成相應的IP)：

搜索測試：

可以看到，Nutch 亦提供快照功能。下面進行中文搜索測試:

注意結果中的那個“評分詳解”，是個很有意思的功能(Nutch 具有一個鏈接分析模塊)，通過這些數據可以進一步理解該算法。

考慮到帶寬的限制，暫時不對整個Web爬行的方式進行了測試了。值得一提的是，在測試的過程中，nutch 的爬行速度還是不錯的(相對我的糟糕帶寬)。

Nutch 目前還不支持 PDF(開發中，不夠完善) 與 圖片 等對象的搜索。中文分詞技術還不夠好，通過“評分詳解”可看出，對中文，比如“數據庫管理員”，是分成單獨的字進行處理的。但作為一個開源搜索引擎軟件，功能是可圈可點的。畢竟，主要開發者 Doug Cutting 就是開發 Lucene 的大牛

參考信息

• Nutch Wiki - http://www.nutch.org/cgi-bin/twiki/view/Main/Nutch
• 何東的 試用Nutch
• 車東的 Lucene：基于Java的全文檢索引擎簡介