Nutch2.1分布式抓取

在这篇的基础上http://www.linuxidc.com/Linux/2014-01/95796.htm。

1准备环境：Hadoop集群、java、mysql数据库，代码可以在eclipse中运行，可以单机模式下插入数据到mysql数据库。

2修改配置文件nutch-site.xml：

<property>

  <name>plugin.folders</name>

  <value>./plugins</value>

  <description>Directories where nutch plugins are located.  Each

  element may be a relative or absolute path.  If absolute, it is used

  as is.  If relative, it is searched for on the classpath.</description>

</property>

在eclipse中选中buil.xml，run as ant，运行runtime，运行成功会产生文件夹runtime。

3 把runtime文件夹上传到hadoop集群中的master服务器（没有验证其他服务器是不是可以），我上传之后的位置是:/home/hadoop/nutch/runtime，设置环境变量：

在/etc/profile中：export NUTCH_HOME=/home/hadoop/nutch/runtime/local  source /etc/profile使得修改起作用。

4应该是把url种子文件上传到hadoop。我的种子文件始终没有成功，这一步略过。

5在/home/hadoop/nutch/runtime/deploy目录下运行：

./bin/nutch crawl  -dir crawl -depth 2 -threads 4 -topN 50

一点心得：nutch2之后不需要把配置文件（conf）分发到集群中的每台机器，但是修改配置文件以后需要重新用ant打包，配置才能生效。