nutch+hadoop如何配置

這篇文章給大家分享的是有關nutch+hadoop如何配置的內容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

nutch+hadoop配置使用

配置nutch+hadoop

1，下載nutch。如果不需要特別開發hadoop，則不需要下載hadoop。因為nutch里面帶了hadoopcore包以及相關配置

2，建立目錄（根據自己喜好）
/nutch
/search(nutchinstallationgoeshere)nutch安裝到這里，也就是解壓到這里
/filesystemhadoop的文件系統存放點
/local/crawl后放置索引用來search用的
/home(nutchuser'shomedirectory)如果你用系統用戶，這個基本沒用
/tomcat啟動nutch.war用來search索引的app

3，conf/hadoop-env.sh一定要配置JAVA_HOME,否則系統起不來

4，配置master和slave的ssh，否則每次都要輸入passwd
ssh-keygen-trsa
然后回車即可
cpid_rsa.pubauthorized_keys
（copy到其它的slave上）scp/nutch/home/.ssh/authorized_keysnutch@devcluster02:/nutch/home/.ssh/authorized_keys

5，將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，記住要把master文件從nutch/hadoopcopy到這個nutch中，應該是bug。也就是說啟動需要這個文件，文件內容為默認的localhost即可（如果是分布式，可能需要配置）

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

8，啟動：bin/start-all.sh

9，配置crawl（以配置一個網址lucene.apache.org為例）

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，啟動crawl
bin/nutchcrawlurls-dircrawled-depth4

11，查詢
bin/hadoopdfs-copyToLocalcrawled/media/do/nutch/local/(crawled)將index的東西copy到以上配置的local中，因為search不能用dfs中搜索(從文檔看是這樣)

12，啟動nutch.war，測試
vinutch-site.xmlnutch.war中classes下
starttomcat

注意點：
1，masters文件nutch原來沒有，需要copy到conf下
2，crawl的log4j配置默認有問題，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里面已經存在。

nutch+hadoop配置使用時的問題：
1，運行hadoop程序時，中途我把它終止了，然后再向hdfs加文件或刪除文件時，出現Namenodeisinsafemode錯誤：
rmr:org.apache.hadoop.dfs.SafeModeException:Cannotdelete/user/hadoop/input.Namenodeisinsafemode
解決的命令：
bin/hadoopdfsadmin-safemodeleave#關閉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。

感謝各位的閱讀！關于“nutch+hadoop如何配置”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！