下午配置成功了Nutch0.9.截圖記錄一下。

網絡上面介紹這個配置的比較多，我就不重復勞動了。

推薦文檔如下：Nutch Version 0.8x tutorial ，還有就是這里的篇日志。

我在這里記錄一下遇到的幾個錯誤和解決辦法，大家可能有用。

如執行如下命令：
./nutch crawl ../urls.txt  -dir ../ihooyo  -depth 5 -topN 100
參數說明：
-url 就是剛才我們創建的url文件,存放我們要抓取的網址
-dir 指定抓取內容所存放的目錄，如上存在mydir中
-threads 指定并發的線程數
-depth 表示以要抓取網站頂級網址為起點的爬行深度
-topN 表示獲取前多少條記錄，可省

可能錯誤1：

Generator: jobtracker is 'local', generating exactly one partition.
Generator: 0 records selected for fetching, exiting ...
Stopping at depth=0 - no more URLs to fetch.
No URLs to fetch - check your seed list and URL filters.
crawl finished: sina5

說明：指定要抓取的網址(url.txt)經過(crawl-urlfilters.xml)過濾后，已經沒有可抓取對象了，檢查兩者的匹配即可。

可能錯誤2：

Dedup: starting
Dedup: adding indexes in: ../ihooyo/indexes
Exception in thread "main" java.io.IOException: Job failed!
        at org.apache.hadoop.mapred.JobClient.runJob(JobClient.java:604)
        at org.apache.nutch.indexer.DeleteDuplicates.dedup(DeleteDuplicates.java:439)
        at org.apache.nutch.crawl.Crawl.main(Crawl.java:135)

說明：一般為./conf/nutch-site.xml文件配置有錯誤。請參考如下配置修改。
[xml]
<property>
<name>http.agent.name</name>
<value>ihooyo</value>
<description></description>
</property>
<property>
<name>http.agent.description</name>
<value>apersonblog</value>
<description></description>
</property>
<property>
<name>http.agent.url</name>
<value>www.ihooyo.com</value>
<description></description>
</property>
<property>
<name>http.agent.email</name>
<value>pjuneye@qq.com</value>
<description></description>
</property>
[/xml]
這種配置錯誤，在log日志中可找到提示。

可能錯誤3：

Injector: Converting injected urls to crawl db entries.
Exception in thread "main" java.io.IOException: Job failed!
        at org.apache.hadoop.mapred.JobClient.runJob(JobClient.java:604)
        at org.apache.nutch.crawl.Injector.inject(Injector.java:162)
        at org.apache.nutch.crawl.Crawl.main(Crawl.java:115)

說明：一般為crawl-urlfilters.txt中配置問題，比如過濾條件應為
+^http://www.ihooyo.com ,而配置成了 http://www.ihooyo.com 這樣的情況就引起如上錯誤。

好了寫完了。