在简单过滤之后，选择研究apache nutch来进行数据爬取。
在深入了解和学习之后，发现
Nutch 实现网页爬取，通过plugin机制可以自定义相应的规则和数据处理逻辑，结合hadoop实现数据的分布式存储。
nutch可以定制，针对不同的数据源实现特定的爬取和数据分析规则。但如何实现nutch的分布式，比如多机部署？还是单机？如何提高nutch的爬取速度？
nutch爬取下来的数据可以存放在hadoop里，通过建立索引命令可以让solr来为数据进行索引。但是存在一个问题，solr建立的索引是存放在solr配置的目录里的，可是这样不就存在数据冗余存放的问题吗？这里有一篇文章 solr是如何存储索引的 http://p-x1984.iteye.com/blog/1149980
通过solr搜索后如何建立搜索结果数据和nutch爬取后存放在hadoop中的数据的关联？比如通过nutch爬取网页信息后，可以通过设置solr中schema.xml 来对content字段进行存储和索引，content存放的是网页爬取下来的内容信息。如果通过设置，将scheme中定义的所有字段都进行存储和索引，那么nutch存储的数据是不是就没有用处可以删除了呢？
对于获取到的数据，除了提供查询搜索功能外，还有很多值得挖掘的信息，那如何有效的对数据进行挖掘？ mahout ？
大家对Nutch+hadoop+solr的行业应用前景如何看？