【IT168 技术文档】

本文旨在介绍如何使用Netbeans进行开源搜索引擎Nutch的开发。

Nutch简介

Nutch 是一个开源的、Java 实现的搜索引擎。它提供了我们运行自己的搜索引擎所需的全部工具。Nutch致力于让每个人能很容易, 同时花费很少就可以配置世界优秀的Web搜索引擎. 为了完成这一宏伟的目标, nutch能够做到: 每个月取几十亿网页; 为这些网页维护一个索引; 对索引文件进行每秒上千次的搜索;提供高质量的搜索结果;以最小的成本运作.

测试环境：
 Nutch release 0.9
 Netbean5.5.1 中文版
 Java 1.6
 Ubuntu 7.10

步骤:
1.安装：Nutch
•下载 Nutch 0.9 的压缩包并解压
（下载地址：http://apache.mirror.phpchina.com/lucene/nutch/）
•按照教程进行安装
(教程地址: http://wiki.apache.org/nutch/NutchTutorial)

2.在Netbeans中创建项目

•启动Netbeans5.5.1；
•创建过程：文件->新建项目->常规；
•选择“基于现有源代码的Java项目”->下一步，选择项目名称和项目文件夹，可以根据自己的需要自行指定；
•选择下一步，点击“源包文件夹”文本框右边的“添加文件夹”按钮，浏览文件目录选择Nutch安装目录下的src文件夹；
•点击完成，此时工程已经建立，当需要对项目进行配置才能实现代码的调试；
•在左边的“项目”导航窗口中，选择库包，点击右键，选择属性，此时弹出项目属性配置窗口
•选择配置“库”，点击按钮“添加JAR/文件夹”，添加Nutch安装目录下的 "conf"目录以及nutch-0.9.jar包；
•继续将Nutch安装目录下“lib”和“plugin”文件夹中的所有JAR包添加进来，此处比较麻烦，因为Netbeans不能自动扫描到文件夹下所有的JAR包，必须手工将其添加进来。
•最后需要添加两个JAR包，这两个包分别是解析MP3和RTF文档的，因为license的不兼容性，它们从代码中分离了，你可以在如下地址下载：
http://nutch.cvs.sourceforge.net/nutch/nutch/src/plugin/parse-mp3/lib/
http://nutch.cvs.sourceforge.net/nutch/nutch/src/plugin/parse-rtf/lib/

下载后将其分别放至src/plugin/parse-mp3/lib和src/plugin/parse-rtf/lib/目录下，同时像添加其他JAR包一样，将其添加至“编译时库”中。此时，您可以选择左方“项目”导航窗口中的项目图标，点击右键，选择“生成项目”，项目应该能正确通过编译。您还需要对Nutch进行配置以调试Nutch的爬行代码。

3.配置 Nutch

在Nutch安装目录下，找到文件/conf/nutch-defaul.xml， 将其 "plugin.folders" 属性值改为"Nutch安装目录/src/plugin"

4.在Nutch中运行Nutch爬虫

•选择左方“项目”导航窗口中的项目图标，点击右键，选择“属性”，在左方类别窗口中选择“运行”，对运行参数进行配置
•主类： 选择 org.apache.nutch.crawl.Crawl
•参数： 填入 urls -dir crawl -depth 3 -topN 50
•VM选项：填入 -Dhadoop.log.dir=logs -Dhadoop.log.file=hadoop.log
•点击“确定”按钮退出
•选择左方“项目”导航窗口中的项目图标，点击右键，选择“运行项目”

注:对于Ubuntu来说，可能由于权限的问题导致不能正常调试，可以在用户和组管理中设置当前用户的组为ROOT组。