原文地址： http://blog.sina.com.cn/s/blog_3c9872d00101p4f0.html
Nutch 2.2.1发布快两月了，该版本与Nutch之前版本相比，有较大变化，特别是与MySQL联合应用的安装和配置过程有不少地方容易出错。本人在安装过程中也遇到了不少麻烦，大多问题通过baidu和google也没有找到解决方法，自己只能通过看代码和分析日志并试错，最终搞定了所遇到的各种问题，现将重要安装和配置过程整理如下。
1. MySQL数据库配置
l my.ini配置
分别在[client]、[mysql]下添加
|
1
|
default
-character-set=utf8
|
在[mysqld]下添加：
|
1
|
character-set-server=utf8
|
l 权限授予
|
1
2
3
|
mysql –u root –p xxxx
GRANT
ALL
PRIVILEGES
ON
*.*
TO
root@
"%"
IDENTIFIED
BY
"xxxx"
;
|
l 创建数据库与表
手动创建数据库nutch和数据表webpage【如果不想用默认的库名和表名也可在nutch安装后的相关配置文件中进行修改，见后续说明】，其中webpage的表结构如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
|
CREATE
TABLE
`webpage` (
`id`
varchar
(767)
NOT
NULL
,
`headers` blob,
`text` longtext
DEFAULT
NULL
,
`status`
int
(11)
DEFAULT
NULL
,
`markers` blob,
`parseStatus` blob,
`modifiedTime`
bigint
(20)
DEFAULT
NULL
,
`prevModifiedTime`
bigint
(20)
DEFAULT
NULL
,
`score`
float
DEFAULT
NULL
,
`typ`
varchar
(32)
CHARACTER
SET
latin1
DEFAULT
NULL
,
`batchId`
varchar
(32)
CHARACTER
SET
latin1
DEFAULT
NULL
,
`baseUrl`
varchar
(767)
DEFAULT
NULL
,
`content` longblob,
`title`
varchar
(2048)
DEFAULT
NULL
,
`reprUrl`
varchar
(767)
DEFAULT
NULL
,
`fetchInterval`
int
(11)
DEFAULT
NULL
,
`prevFetchTime`
bigint
(20)
DEFAULT
NULL
,
`inlinks` mediumblob,
`prevSignature` blob,
`outlinks` mediumblob,
`fetchTime`
bigint
(20)
DEFAULT
NULL
,
`retriesSinceFetch`
int
(11)
DEFAULT
NULL
,
`protocolStatus` blob,
`signature` blob,
`metadata` blob,
PRIMARY
KEY
(`id`)
) ENGINE=InnoDB
DEFAULT
CHARSET=utf8;
|
注：表中的字段根据nutch的conf文件“gora-sql-mapping”进行设置。同时也可通过自动方式生成数据库和表：配置好“gora-sql-mapping”、“gora.properties”及其它文件后，首次通过运行”bin/nutch inject urls”即可自动生成数据库和表，不过或许在自动生成的时候你会遇到问题，不过没有关系，通过及时查看hadoop.log文件你便会发现很多问题（如下图之一）与MySQL支持的数据类型、数据长度有关，只需要根据日志提示做修改、调试（可借助navicat工具像SQL Server方便操作数据库），然后再重复自动生成过程，直到成功为止。
2. Nutch的安装与配置
1) 获取nutch 2.2.x：从官网http://www.apache.org/dyn/closer.cgi/nutch/下载，然后解压至本地安装目录，如本地根目录为 ${NUTCH_HOME}；
2) 配置nutch对mysql的支持，修改${APACHE_NUTCH_HOME}/ivy/ivy.xml文件，分别：
l 将以下行的注释取消
|
1
|
<dependency org=”mysql” name=”mysql-connector-java” rev=”5.1.18″ conf=”*->
default
”/>
|
l 修改以下行。从默认的
|
1
|
<dependency org=
"org.apache.gora"
name=
"gora-core"
rev=
"0.3"
conf=
"*->default"
/>
|
改成
|
1
|
<dependency org=
"org.apache.gora"
name=
"gora-core"
rev=
"0.2.1"
conf=
"*->default"
/>
|
l 将以下行的注释取消
|
1
|
<dependency org=
"org.apache.gora"
name=
"gora-sql"
rev=
"0.1.1-incubating"
conf=
"*->default"
/>
|
注：上述第2和第3项，如果按默认的不做修改，将会在抓取网页时遇到以下错误。
Exception in thread “main” Java.lang.ClassNotFoundException:org.apache.gora.sql.store.SqlStore
3) 数据库连接配置
编辑${NUTCH_HOME}/conf/gora.properties文件，注释掉默认的数据库连接配置，同时添加以下配置内容：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
###############################
# Default MySQL properties #
###############################
gora.sqlstore.jdbc.driver=com.mysql.jdbc.Driver
gora.sqlstore.jdbc.url=jdbc:mysql://localhost:3306/nutch?createDatabaseIfNotExist=true
gora.sqlstore.jdbc.user=xxxx（MySQL用户名）
gora.sqlstore.jdbc.password=xxxx（MySQL密码）
|
4) 数据表映射配置
主要是修改 ${NUTCH_HOME}/conf/gora.properties 文件，这里的修改建议按照前面介绍的自动生成数据表的方法进行修改，网上说的要将primarykey 的长度从512修改成767，即 <primarykey column=”id” length=”767″/>。反正我照此操作没有成功（应该受编码格式的影响），最后改成<primarykey column=”id” length=”255″/>搞定了。
5) 修改nutch-site配置文件
我的做法是直接将nutch-default文件另存为nutch-site，然后修改nutch-site内容，包括：
l 添加http.agent.name的值
|
1
2
3
4
5
6
7
|
<property>
<name>http.agent.name</name>
<value>YourNutchSpider</value>
</property>
|
l 在文件末尾添加以下内容
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
|
<property>
<name>http.
accept
.language</name>
<value>ja-jp, en-us,en-gb,en;
q=0.7,*;q=
0.3</value>
<description>Value of the Accept-Language request header field.
This allows selecting non-English language as
default
one to retrieve.
It is a useful setting
for
search engines build
for
certain national group.
</description>
</property>
<property>
<name>storage.data.store.class</name>
<value>org.apache.gora.sql.store.SqlStore</value>
<description>The Gora DataStore class
for
storing and retrieving data.
Currently the following stores are available:.
</description>
</property>
<property>
<name>parser.character.encoding.
default
</name>
<value>utf-8</value>
<description>The character encoding to fall back to
when
no
other information
is available</description>
</property>
|
l 特别添加以下内容
|
1
2
3
4
5
6
7
|
<property>
<name>generate.batch.id</name>
<value>*</value>
</property>
|
如果不添加此项内容，则通过”bin/nutch crawl urls –threads n –depths n”爬取网页时，在日志中会看到以下错误：
java.lang.NullPointerException
at org.apache.avro.util.Utf8.<init>(Utf8.java:37)
at org.apache.nutch.crawl.GeneratorReducer.setup(GeneratorReducer.java:100)
at org.apache.hadoop.mapreduce.Reducer.run(Reducer.java:174)
at org.apache.hadoop.mapred.ReduceTask.runNewReducer(ReduceTask.java:649)
at org.apache.hadoop.mapred.ReduceTask.run(ReduceTask.java:418)
at org.apache.hadoop.mapred.LocalJobRunner$Job.run(LocalJobRunner.java:398)
并且“nutch-site”文件需要保存为utf-8格式，否则在执行nutch命令时会出现以下错误。
Exception in thread “main” java.lang.RuntimeException: com.sun.org.apache.xerces.internal.impl.io.malformedByteSequenceException: 1字节的UTF-8序列的字节 1 无效。
6) 编译nutch 2.2
在保证已安装ant的情况下（没有安装的可在网上baidu下ant的安装方法），回到nutch根目录，使用ant编译 ${NUTCH_HOME}。如果都按上述配置一步步做了，则编译过程将顺利完成。至此，Nutch 2.2的安装也已完成，接下来就可以根据需要配置网页抓取信息，进行网页抓取了。
3. 网页抓取配置
1) 设置抓取的网站
|
1
2
3
|
2) 执行爬取操作
|
1
|
bin/nutch crawl urls -depth 3 -topN 5
|
执行完在mysql中即可查看到爬虫抓取的内容，如下图：