nutch+solr整合以及搭载在hadoop上
nutch+solr整合以及搭载在hadoop上
官方文档： nutch+hadoop
nutch+solr
版本：
可以参照 hadoop1.0.4+nutch1.6“单机”配置
一，ant编译nutch
下载 apache-nutch-1.6-src.tar.gz，解压之。
在nutch1.6/conf下
先修改 nutch-default.xml中 http.agent.name和http.robots.agents，value值随意，但是要保持一致
<name>http.agent.name</name>
<value>sleeper_qp</value>
<description>HTTP ' User-Agent ' request header. MUST NOT be empty -
please set this to a single word uniquely related to your organization.
NOTE: You should also check other related properties:
http.robots.agents
http.agent.description
http.agent.url
http.agent.email
http.agent.version
and set their values appropriately.
</description>
</property>
<property>
<name>http.robots.agents</name>
<value>sleeper_qp</value>
<description>The agent strings we ' ll look for in robots.txt files,
comma-separated, in decreasing order of precedence. You should
put the value of http.agent.name as the first agent name, and keep the
default * at the end of the list. E.g.: BlurflDev,Blurfl,*
</description>
</property>
然后
cp nutch- default .xml nutch-site.xml
在nutch1.6下ant编译
二，测试nutch
启动hadoop，新建，上传urls.txt
~/hadoop- 1.0 . 4 $ bin/start- all.sh ~/hadoop- 1.0 . 4 $ touch urls.txt 在urls.txt写入你想爬的网站 ~/hadoop- 1.0 . 4 $ bin/hadoop fs - mkdir urls ~/hadoop- 1.0 . 4 $ bin/hadoop fs -put urls.txt urls/
添加hadoop的环境变量
修改～/.bashrc:
export HADOOPHOME=/home/hadoop/ hadoop export PATH =$PATH:$HADOOPHOME/bin
说明：直接输入hadoop的命令可能会有警告，这是因为hadoop自身也配置了自己的路径(在HADOOP_HOME/bin/hadoop-config.sh)
在nutch/runtime/deploy下输入
~/nutch1. 6 /runtime/deploy$ bin/nutch crawl urls -dir crawl -depth 3 -topN 3
解释
-dir是爬取内容存放的文件 -depth 爬取深度 -topN
完成后可查看hdfs
输入hadoop fs -ls查看新的crawl文件夹
三，安装solr
下载解压solr3.6.2
修改NUTCH_HOME/conf下的schema.xml
<field name="content" type="text" stored="true" indexed="true"/>
拷贝NUTCH_HOME/conf下的 schema.xml到solr/ example/solr/conf/下
然后solr/example/solr/conf/下的solrconfig.xml中的str name="df"后的text全部改为content PS：因为版本的变更，默认值有text该为了content
在 {APACHE_SOLR_HOME}/example下输入：
java -jar start.jar
四，整合测试
保证正确，重启hadoop(删除前面的hdfs中的crawl)，重启solr
在浏览器下查看相关信息：
http://localhost:8983/solr/
http://localhost:50070
在~/nutch1.6/runtime/deploy下输入
bin/nutch crawl urls -solr http: // localhost:8983/solr -dir crawl -depth 1 -topN 1
在正确运行的情况下，可以在 http://localhost:8983/solr/admin/ 输入你先前爬取网站的相关内容，可以得到一个xml格式的结果
基于hadoop+nutch+solr的搜索引擎环境搭载<一>hadoop完全分布式环境搭建
摘要: hadoop完全分布式环境搭建还算那句话：能看官方文档就尽量看官方文档 hadoop1.0.4完全分布式官方文档先扯点题外话，这个项目是我的比赛项目，可能比较简陋，主要还是想学习关于hadoop和搜索引擎方面的一些知识。这一两个月看了<hadoop实战>，<hadoop权威指南><信息检索导论>等一些书吧，初步了解了一下hadoop和搜索引擎。马上项目就要上交了，所以昨天把两个月的心血给删了，重新来一遍，重装系统，复习一遍之前的吧。好了，正文开始了。环境版本：ubuntu：ubuntu 12.0.4 32bithadoop：hadoop1.0.4jdk：jd 阅读全文
posted @ 2013-05-05 13:54 sleeper_qp 阅读(357) | 评论 (0) 编辑
hadoop1.0.4+nutch1.6“单机”配置
摘要: ---恢复内容开始---首先声明：在能使用官方文档的情况下完成配置，就不要看网上的博客 另外此篇文章是基于伪分布式hadoop1.0.4 nutch1.6 PS：没有多的机器伤不起啊hadoop的环境配置见Ubuntu12.04下安装hadoop1.0.4nutch1.6:首先说个问题就是nutch1.6源文件中没有runtime这个文件夹，所以需要用到ant 1.安装ant sudo apt-get install ant 2.下载nutch1.6.src 并ant编译 解压，这里假设解压的路径为NUTCH_HOME 进入NUTCH_HOME，输入ant 等... 阅读全文
posted @ 2013-04-18 08:49 sleeper_qp 阅读(815) | 评论 (3) 编辑
ubuntu下hadoop的重启后namenode无法启动的解决方法
摘要: 参考：Hadoop namenode无法启动 Hadoop Namenode不能启动（dfs/name is in an inconsistent state）原因：ubuntu每次重启都会删除/tmp中的信息，而namenode的格式化信息恰好存在/tmp下，从而导致相应信息丢失。解决办法： 1，新建tmp文件目录 sudo mkdir ~/hadoop/hadoop_tmp 2,修改hadoop/conf目录里面的core-site.xml文件 <property> <name>hadoop.tmp.dir</name> <... 阅读全文
posted @ 2013-03-25 16:43 sleeper_qp 阅读(33) | 评论 (0) 编辑
Ubuntu12.04下安装hadoop1.0.4
摘要: 首先声明:如果能通过官方文档安装就尽量用官方的方法。环境： linux :ubuntu 12.04 jdk：1.7.0_17jdk安装： 1，在官网下载最新jdk后，解压 tar -zxvf jdk.... 2(可省),把jdk放在/usr下 cp jdk /usr 3,修改/etc/profile :添加export JAVA_HOME=/usr/jdk1.7.0_17 export JRE_HOME=/usr/jdk1.7.0_17/jreexport PATH=$JAVA_HOME/bin:$JAVA_HOME/jre/bin:$PATHexport CLASSPATH=$CLA... 阅读全文
posted @ 2013-03-23 15:25 sleeper_qp 阅读(815) | 评论 (2) 编辑
Read from socket failed: Connection reset by peer
摘要: 这是我在ssh localhost的时候出现的问题在网上搜了下解决方法，试了下各种方法包括重装ssh，但是还是不行。最后老老实实看/var/log/auth.log错误显示error: @@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@error: @ WARNING: UNPROTECTED PRIVATE KEY FILE! @error: @@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@error: Permissio... 阅读全文
posted @ 2013-03-20 20:59 sleeper_qp 阅读(124) | 评论 (0) 编辑
分类: hadoop
作者： Leo_wl
出处： http://www.cnblogs.com/Leo_wl/
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。
版权信息查看更多关于nutch+solr整合以及搭载在hadoop上的详细内容...