Nucth学习笔记（一），Nucth学习笔记(
Nutch使用方法简介
目前Nutch采用Sehll的启动方式，如果您使用的是Windows系统，那么首先需要安装Cygwin。本文就以在Windows中为例，介绍Nutch的安装和使用方法。
(1)准备需要的软件列表
- Cygwin (下载地址:http://www.cygwin.com/setup.exe)
- Jdk(至少1.4.2以上版本，下载地址http://java.sun.com/javase/downloads/index.jsp）
- Nutch(推荐使用1.10版本，下载地址http://www.apache.org/dyn/closer.cgi/lucene/nutch/）
- Tomcat(下载地址http://tomcat.apache.org/)
(2) 安装软件
1) Cygwin 打开安装程序Cygwin.exe后，在"Choose Installation Type"页选择 "Install from Internet"（如果你已经把全部安装包下载到本地，就可以选择"Install from local directory"选项)。然后点击"Next".
然后选择安装目录，其他可保持默认选项，点击"Next".
选择保存安装包的本地目录，点击"Next".
选择下载连接的类型，点击Next。
然后通过服务器先下在需要安装的包列表，默认全部安装，并且选择可以使用的下载镜像地址（速度不一样，如果下载速度太慢可以换别的:) )
请耐心等待，安装程序会自动下载和安装程序包，并且保存程序包在设定的目录，这样下次安装就不必重新下载了。我安装时大约用了3分钟，下载网速大约80Kbs/s。
完成安装。
2) 安装JDK，这个就不用介绍了，注意安装完成后需要在Windows的环境变量中加入JAVA_HOME=你的jdk的安装目录
3) 安装Tomcat，这个就不用多说了吧。
4)把Nutch解压到本地目录，例如D:/nutch。这时候启动Cygwin程序，Cygwin程序会启动一个模拟Unix/Linux的终端窗口，然后使用方式就和Unix的Shell一样了，Cygwin的根目录是/cygdriver，这个目录相当于Windows的“我的电脑”，然后进入Nutch的目录，例如：cd /cygdriver/d/nutch，然后运行bin/nutch命令，如果出现下面的Usage 信息，这样Nutch就安装完成了，非常简单。
Usage: nutch COMMAND
where COMMAND is one of:
crawl one-step crawler for intranets
readdb read / dump crawl db
mergedb merge crawldb-s, with optional filtering
readlinkdb read / dump link db
inject inject new urls into the database
generate generate new segments to fetch
fetch fetch a segment's pages
parse parse a segment's pages
readseg read / dump segment data
mergesegs merge several segments, with optional filtering and slicing
updatedb update crawl db from segments after fetching
invertlinks create a linkdb from parsed segments
mergelinkdb merge linkdb-s, with optional filtering
index run the indexer on parsed segments and linkdb
merge merge several segment indexes
dedup remove duplicates from a set of segment indexes
plugin load a plugin and run one of its classes main()
server run a search server
or
CLASSNAME run the class named CLASSNAME
Most commands print help when invoked w/o parameters.
（3）开始使用Nutch
下面用一个简单的例子说明Nutch的使用方法
1) 添加需要爬行的内部网地址信息。
新建一个目录，写入一些网址信息，例如我们需要爬行csdn的内部网。
mkdir urls
echo http://www.csdn.com/ >urls/csdn
2) 然后修改 conf目录下的crawl-urlfilter.txt文件，这个文件中的正则表达式定义了那些文件可以被Nutch爬行，那些不可以被爬行。其中以“+”号开头的表示属于Nuch合法的Url连接，“-”号开头相反。我们需要修改文件中的
# accept hosts in MY.DOMAIN.NAME
+^http://([a-z0-9]*/.)*MY.DOMAIN.NAME/
为
# accept hosts in MY.DOMAIN.NAME
+^http://([a-z0-9]*/.)*csdn.com/
3)接下来我们需要配置conf/nutch-site.xml，这个需要填写相关的代理属性，应为Nutch也许要准受Robot协议，在爬行人家网站的时候，把相关的信息提交给被爬行的网站。
我们在这个文件中，需要在<configuration>和</configuration>之间，加入是个代理属性，例如http.agent.name属性
<property>
<name>http.agent.name</name>
<value>csdn.com<