nutch+hadoop如何配置

这篇文章给大家分享的是有关nutch+hadoop如何配置的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。

nutch+hadoop配置使用

配置nutch+hadoop

1，下载nutch。如果不需要特别开发hadoop，则不需要下载hadoop。因为nutch里面带了hadoopcore包以及相关配置

2，建立目录（根据自己喜好）
/nutch
/search(nutchinstallationgoeshere)nutch安装到这里，也就是解压到这里
/filesystemhadoop的文件系统存放点
/local/crawl后放置索引用来search用的
/home(nutchuser'shomedirectory)如果你用系统用户，这个基本没用
/tomcat启动nutch.war用来search索引的app

3，conf/hadoop-env.sh一定要配置JAVA_HOME,否则系统起不来

4，配置master和slave的ssh，否则每次都要输入passwd
ssh-keygen-trsa
然后回车即可
cpid_rsa.pubauthorized_keys
（copy到其它的slave上）scp/nutch/home/.ssh/authorized_keysnutch@devcluster02:/nutch/home/.ssh/authorized_keys

5，将bin和conf下所有的.sh、nuch、hadoop文件dos2unix
dos2unix/nutch/search/bin/*.sh/nutch/search/bin/hadoop

配置hadoop-size.xml

6，记住要把master文件从nutch/hadoopcopy到这个nutch中，应该是bug。也就是说启动需要这个文件，文件内容为默认的localhost即可（如果是分布式，可能需要配置）

7，nutch+hadoop配置过程中需要格式化namenode
bin/hadoopnamenode-format

8，启动：bin/start-all.sh

9，配置crawl（以配置一个网址lucene.apache.org为例）

cd/nutch/search  mkdirurls  viurls/urllist.txthttp://lucene.apache.org  cd/nutch/search  bin/hadoopdfs-puturlsurls  cd/nutch/search  viconf/crawl-urlfilter.txt  changethelinethatreads:+^http://([a-z0-9]*\.)*MY.DOMAIN.NAME/  toread:+^http://([a-z0-9]*\.)*apache.org/

10，启动crawl
bin/nutchcrawlurls-dircrawled-depth4

11，查询
bin/hadoopdfs-copyToLocalcrawled/media/do/nutch/local/(crawled)将index的东西copy到以上配置的local中，因为search不能用dfs中搜索(从文档看是这样)

12，启动nutch.war，测试
vinutch-site.xmlnutch.war中classes下
starttomcat

注意点：
1，masters文件nutch原来没有，需要copy到conf下
2，crawl的log4j配置默认有问题，需要增加：
hadoop.log.dir=.
hadoop.log.file=hadoop.log
3，nutch2.0一定要配置nutch-site.xml。重新配置http.agent。default.xml里面已经存在。

nutch+hadoop配置使用时的问题：
1，运行hadoop程序时，中途我把它终止了，然后再向hdfs加文件或删除文件时，出现Namenodeisinsafemode错误：
rmr:org.apache.hadoop.dfs.SafeModeException:Cannotdelete/user/hadoop/input.Namenodeisinsafemode
解决的命令：
bin/hadoopdfsadmin-safemodeleave#关闭safemode
索引命令：
bin/nutchindexplainindex/paodingindexesplainindex/crawldbplainindex/linkdbplainindex/

segments/20090528132511plainindex/segments/20090528132525plainindex/segments/20090528132602
eg：
index：
bin/nutchindexcrawled/indexes_newcrawled/crawldbcrawled/linkdbcrawled/segments/20100313132517
merge：
bin/nutchmergecrawled/index_newcrawled/indexes_new
去重dedup：
bin/nutchdedupcrawled/index_new。

感谢各位的阅读！关于“nutch+hadoop如何配置”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，让大家可以学到更多知识，如果觉得文章不错，可以把它分享出去让更多的人看到吧！