首页    新闻    下载    文档    论坛     最新漏洞    黑客教程    数据库    搜索    小榕软件实验室怀旧版    星际争霸WEB版    最新IP准确查询   
名称: 密码:      忘记密码  马上注册

正在浏览:   1 名游客





Linux下Nutch分布式配置和使用
网站管理员
注册日期:
1970/1/1 8:00
所属群组:
网站管理员
帖子: 7077
等级: 58; EXP: 5
HP : 0 / 1426
MP : 2359 / 208188
离线

Linux下Nutch分布式配置和使用

Linux下Nutch分布式配置和使用

 

  

介绍

0 集群网络环境介绍

1 /etc/hosts文件配置

2 SSH无密码验证配置

2.1配置所有节点之间SSH无密码验证

3 JDK安装和Java环境变量配置

3.1 安装 JDK 1.6

3.2 Java环境变量配置

4 Hadoop集群配置

5 Hadoop集群启动

6 Nutch分布式爬虫

6.1配置Nutch配置文件

6.2 执行Nutch分布式爬虫

7 Nutch检索

7.1 Windows下Nutch单机搜索本地索引数据

7.2 Linux下Nutch单机搜索本地索引数据

7.2.1 WEB前端搜索

7.2.2 命令行搜索

7.3 Linux下Nutch搜索HDFS中索引数据

7.3.1 WEB前端搜索

7.3.2 命令行搜索

附 Nutch-1.1 介绍

 

介绍

       这是本人在完全分布式环境下在Cent-OS配置Nutch-1.1时的总结文档,但该文档适合所有Linux系统和目前各版本的nutch

0 集群网络环境介绍

    集群中所有节点均是Cent-OS系统,防火墙均禁用,sshd服务均开启;所有节点上均有一个名为nutch的用户(非超级用户,安装前root使用useradd添加),用户主目录是/home/nutch。

    集群包含三个节点:1个namenode,2个datanode,节点之间局域网连接,可以相互ping通。节点IP地址和主机名分布如下:

    10.10.97.132 gc03vm12 namenode

    10.10.97.142 gc04vm12 datanode01

    10.10.97.144 gc04vm14 datanode02

    本配置将Nutch安装在/home/nutch/nutchinstall目录下。一般最好建议安装在其它非主目录路径下,例如/usr/local下,但此时需要使nutch用户对目录有rwx权限(nutch用户对主目录有rwx权限),一般做法是root用户在/usr/local下创建一个目录,并修改该目录拥有者为nutch(chown –R nutch:nutch 目录路径)。

1 /etc/hosts文件配置

    namenode节点上vi /etc/hosts,将所有节点的名字和IP地址写入其中,写入如下内容,注意注释掉127.0.0.1行:

    10.10.97.132 gc03vm12 

    10.10.97.142 gc04vm12 

    10.10.97.144 gc04vm14 

   # 127.0.0.1     centos54 localhost.localdomain localhost

    /etc/hosts文件需要复制到所有数据节点上。

2 SSH无密码验证配置

    Nutch是基于Hadoop的,Hadoop需要使用SSH协议,namenode将使用SSH协议启动namenode和datanode进程,datanode向namenode传递心跳信息可能也是使用SSH协议,这是我认为的,还没有做深入了解,datanode之间可能也需要使用SSH协议。假若是,则需要配置使得所有节点之间可以相互SSH无密码登陆验证)。

2.1配置所有节点之间SSH无密码验证

(0)原理

节点A要实现无密码公钥认证连接到节点B上时,节点A是客户端,节点B是服务端,需要在客户端A上生成一个密钥对,包括一个公钥和一个私钥,而后将公钥复制到服务端B上。当客户端A通过ssh连接服务端B时,服务端B就会生成一个随机数并用客户端A的公钥对随机数进行加密,并发送给客户端A。客户端A收到加密数之后再用私钥进行解密,并将解密数回传给B,B确认解密数无误之后就允许A进行连接了。这就是一个公钥认证过程,其间不需要用户手工输入密码。重要过程是将客户端A公钥复制到B上。

因此如果要实现所有节点之间无密码公钥认证,则需要将所有节点的公钥都复制到所有节点上。

(1)所有机器上生成密码对

(a)所有节点用nutch用户登陆,并执行以下命令,生成rsa密钥对:

zkl@zkl-ubuntu:~$ ssh-keygen -t rsa

Generating public/private rsa key pair.

Enter file in which to save the key (/home/zkl/.ssh/id_rsa): 默认路径

Enter passphrase (empty for no passphrase): 回车,空密码

Enter same passphrase again:

Your identification has been saved in /home/zkl/.ssh/id_rsa.

Your public key has been saved in /home/zkl/.ssh/id_rsa.pub.

这将在/home/nutch/.ssh/目录下生成一个私钥id_rsa和一个公钥id_rsa.pub。

(b)将所有datanode节点的公钥id_rsa.pub传送到namenode上:

cp  id_rsa.pub datanode01.id_rsa.pub

scp datanode01.id_rsa.pub namenode节点ip地址:/home/nutch/.ssh 

......

cp  id_rsa.pub datanode0n.id_rsa.pub

(c)namenode节点上综合所有公钥(包括自身)并传送到所有节点上

cp id_rsa.pub authorized_keys   namenode自己的公钥

cat datanode01.id_rsa.pub >> authorized_keys

......

cat datanode0n.id_rsa.pub >> authorized_keys

    然后使用SSH协议将所有公钥信息authorized_keys复制到所有DataNode的.ssh目录下

zkl@zkl-ubuntu:~$ scp authorized_keys data节点ip地址:/home/zkl/.ssh 

    这样配置过后,所有节点之间可以相互SSH无密码登陆,可以通过命令

“ssh 节点ip地址”来验证。

3 JDK安装和Java环境变量配置

3.1 安装 JDK 1.6

root用户登陆,在Namenode节点上新建文件夹/usr/program,下载JDK安装包jdk-6u13-linux-i586.bin,复制到目录/usr/ program下,在命令行进入该目录,执行命令“./ jdk-6u13-linux-i586.bin”,命令运行完毕,将在目录下生成文件夹jdk1.6.0_13,安装完毕。

    安装完成后,修改/usr/program目录拥有着为nutch用户,

    Chown -R nutch:nutch /usr/program

/usr/ program目录需要复制到所有数据节点上。

3.2 Java环境变量配置

       root用户登陆,命令行中执行命令”vi /etc/profile”,并加入以下内容,配置环境变量(注意/etc/profile这个文件很重要,后面Hadoop的配置还会用到)。

# set java environment

export JAVA_HOME=/usr/program/jdk1.6.0_13/

export JRE_HOME=/usr/program/jdk1.6.0_13/jre

export CLASSPATH=.:$JAVA_HOME/lib:$JAVA_HOME/jre/lib

export PATH=$JAVA_HOME/bin:$JAVA_HOME/jre/bin:$PATH

保存并退出,执行以下命令使配置生效

chmod +x /etc/profile

source /etc/profile

    配置完毕,在命令行中使用命令”java -version”可以判断是否成功。

    在nutch下测试java -version

    /etc/profile复制到所有数据节点上。

4 Hadoop集群配置

   在namenode上执行:

下载nutch-1.0,将其解压到/home/nutch/nutchinstall目录下,使用如下命令:

    tar zxvf nutch-1.0.tar.gz

    (1)配置Hadoop的配置文件

    (a)配置hadoop-env.sh

$ vi nutch-1.0/conf/hadoop-env.sh

# set java environment

export JAVA_HOME=/usr/program/jdk1.6.0_13/

(b)配置conf/hadoop-site.xml

Hadoop配置参数的含义请参考Hadoop-default.xml,在lib/hadoop-xxx.core.jar中能找到。

<?xml version="1.0"?>

<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<!-- Put site-specific property overrides in this file. -->

 

<configuration>

 

<!—core-->

<property>

    <name>fs.default.name</name>

    <value>hdfs://gc03vm12:9000</value>

    <description>HDFS的URI,文件系统://namenode标识:端口号</description>

</property>

 

<property>

    <name>hadoop.tmp.dir</name>

    <value>/home/nutch/nutchinstall/hadooptmp</value> 

    <description>namenode上本地的hadoop临时文件夹</description>

</property>

 

<!—hdfs-->

<property>

    <name>dfs.name.dir</name>

    <value>/home/nutch/nutchinstall/hdfs/name</value>

    <description>namenode上存储hdfs名字空间元数据 </description>

</property>

 

<property>

    <name>dfs.data.dir</name>

    <value>/home/nutch/nutchinstall/hdfs/data</value>

    <description>datanode上数据块的物理存储位置</description>

</property>

 

<property>

    <name>dfs.replication</name> 

    <value>2</value>

    <description>副本个数,不配置默认是3,应小于datanode机器数量</description>

</property>

 

<!--mapreduce-->

<property>

    <name>mapred.job.tracker</name>

    <value>gc03vm12:9001</value>

    <description>jobtracker标识:端口号,不是URI</description>

</property>

 

<property>

    <name>mapred.local.dir</name>

    <value>/home/nutch/nutchinstall/mapred/local</value>

    <description>tasktracker上执行mapreduce程序时的本地目录</description>

</property>

 

<property>

    <name>mapred.system.dir</name>

    <value>/tmp/hadoop/mapred/system</value>

    <description>这个是hdfs中的目录,存储执行mr程序时的共享文件</description>

</property>

 

</configuration>

(c)配置masters文件,加入namenode的主机名

gc03vm12 

(d)配置slaves文件, 加入所有datanode的主机名

gc04vm12

gc04vm14

    (2)复制配置好的各文件到所有数据节点上。

    root用户下:

scp /etc/hosts    数据节点ip地址:/etc/hosts

scp /etc/profile 数据节点ip地址:/etc/profile

scp /usr/program 数据节点ip地址:/usr/program

nutch用户下:

scp /home/nutch/nutchinsta 数据节点ip地址:/home/nutch/

5 Hadoop集群启动

    Namenode执行:

    格式化namenode,格式化后在namenode生成了hdfs/name文件夹

bin/hadoop namenode –format

启动hadoop所有进程,

bin/start-all.sh(或者先后执行start-dfs.sh和start-mapreduce.sh)。

可以通过以下启动日志看出,首先启动namenode,然后启动datanode1,datanode2,然后启动secondarynamenode。再启动jobtracker,然后启动tasktracker1,最后启动tasktracker2。

    启动hadoop成功后,在namenode中生成了hadooptmp文件夹,在datanode中生成了hdfs文件夹和mapred文件夹。

namenode上用java自带的小工具jps查看进程

zkl@zkl-ubuntu:~/$ jps

8383 JobTracker

8733 Jps

8312 SecondaryNameNode

8174 NameNode

每个datanode上查看进程

zkl@zkl-ubuntu:~/$ jps

7636 DataNode

7962 Jps

7749 TaskTracker

在namenode上查看集群状态

bin/hadoop dfsadmin –report

Configured Capacity: 16030539776 (14.93 GB)

Present Capacity: 7813902336 (7.28 GB)

DFS Remaining: 7748620288 (7.22 GB)

DFS Used: 65282048 (62.26 MB)

DFS Used%: 0.84%

 

-------------------------------------------------

Datanodes available: 2 (2 total, 0 dead)

 

Name: 10.10.97.142:50010

Decommission Status : Normal

Configured Capacity: 8015269888 (7.46 GB)

DFS Used: 32641024 (31.13 MB)

Non DFS Used: 4364853248 (4.07 GB)

DFS Remaining: 3617775616(3.37 GB)

DFS Used%: 0.41%

DFS Remaining%: 45.14%

Last contact: Thu May 13 06:17:57 CST 2010

 

Name: 10.10.97.144:50010

Decommission Status : Normal

Configured Capacity: 8015269888 (7.46 GB)

DFS Used: 32641024 (31.13 MB)

Non DFS Used: 3851784192 (3.59 GB)

DFS Remaining: 4130844672(3.85 GB)

DFS Used%: 0.41%

DFS Remaining%: 51.54%

Last contact: Thu May 13 06:17:59 CST 2010

Hadoop 的web 方式查看:http:// namenode ip地址:50070

    Hadoop查看工作情况: http:// namenode ip地址:50030

6 Nutch分布式爬虫

6.1配置Nutch配置文件

(1)配置所有节点上的conf/nutch-site.xml文件

nutch-site.xml文件

<?xml version="1.0"?>

<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<!-- Put site-specific property overrides in this file. -->

<configuration>

<property>

 <name>http.agent.name</name>

 <value>nutch-1.0</value>

 <description>爬虫和搜索此参数必须配置</description>

</property>

</configuration>

(2)配置所有节点上的conf/crawl-urlfilter.txt文件

# skip file:, ftp:, & mailto: urls

-^(file|ftp|mailto):

# skip image and other suffixes we can't yet parse

-\.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|sit|eps|wmf|zip|ppt|mpg|xls|gz|rpm|tgz|mov|MOV|exe|jpeg|JPEG|bmp|BMP)$

# skip URLs containing certain characters as probable queries, etc.

-[?*!@=]

# skip URLs with slash-delimited segment that repeats 3+ times, to break loops

-.*(/[^/]+)/[^/]+\1/[^/]+\1/

# accept hosts in MY.DOMAIN.NAME

# 允许下载所有

+^

# skip everything else

-.

6.2 执行Nutch分布式爬虫

Nutch爬虫命令是:

    bin/nutch Crawl <urlDir> [-dir d] [-threads n] [-depth i] [-topN N]

    其中的<urlDir>参数是入口地址文件或其所在的目录,启动了集群进行分布式爬虫时,这个目录必须是HDFS中的目录,爬虫完毕将在HDFS中生成存有爬下来的数据的目录[-dir d]。

    (1)入口地址文件

    在本地磁盘中新建一个文件,写入一个入口url,然后将其复制到HDFS中,使用如下命令:
    bin/hadoop dfs -copyFromLocal crawltest/urls urls

    (3)爬虫测试,在namenode、datanode或者与集群网络连通的安装有Hadoop或者nutch并且hadoop-site.xml配置相同的客户机上上均可使用如下命令分布式爬虫:

    bin/nutch crawl urls -dir data -depth 3 -topN 10

crawl started in: data

rootUrlDir = urls

threads = 10

depth = 3

topN = 10

Injector: starting

Injector: crawlDb: data/crawldb

Injector: urlDir: urls

Injector: Converting injected urls to crawl db entries.

Injector: Merging injected urls into crawl db.

Injector: done

Generator: Selecting best-scoring urls due for fetch.

Generator: starting

Generator: segment: data/segments/20100513022002

Generator: filtering: true

Generator: topN: 10

Generator: Partitioning selected urls by host, for politeness.

Generator: done.

Fetcher: Your 'http.agent.name' value should be listed first in 'http.robots.agents' property.

Fetcher: starting

Fetcher: segment: data/segments/20100513022002

Fetcher: done                        第一层的网页下载完毕,depth=0

CrawlDb update: starting

CrawlDb update: db: data/crawldb

CrawlDb update: segments: [data/segments/20100513022002]

CrawlDb update: additions allowed: true

CrawlDb update: URL normalizing: true

CrawlDb update: URL filtering: true

CrawlDb update: Merging segment data into db.

CrawlDb update: done

Generator: Selecting best-scoring urls due for fetch.

Generator: starting

Generator: segment: data/segments/20100513022124

Generator: filtering: true

Generator: topN: 10

Generator: 0 records selected for fetching, exiting ...

Stopping at depth=1 - no more URLs to fetch.  此处就停止了,不能下载第二层的网页,正常情况下是不会出现此错误的。

LinkDb: starting

LinkDb: linkdb: data/linkdb

LinkDb: URL normalize: true

LinkDb: URL filter: true

LinkDb: adding segment:

 hdfs://gc03vm12:9000/user/nutch/data/segments/20100513022002

LinkDb: done

Indexer: starting

Indexer: done

Dedup: starting

Dedup: adding indexes in: data/indexes

Dedup: done

merging indexes to: data/index

Adding hdfs://gc03vm12:9000/user/nutch/data/indexes/part-00000

done merging

crawl finished: data

 

爬虫完毕,hdfs中生成data目录,data目录下面有这些子目录:crawldb,index,

indexes,linkdb,segments。所有节点上的爬虫日志在logs/hadoop.log中。上述“Stopping at depth=1 - no more URLs to fetch.”这个错误不知何故,我在另几台机器上相同配置爬虫却没有出现任何错误,不知何原因。一般情况下按此配置没有任何问题。

从浏览器中可以查看到分布式爬虫时作业状态:

7 Nutch检索

       Nutch的爬虫和搜索可以说是分离的两块,爬虫可以是M/R作业,但搜索不是M/R作业。搜索有两种方式:一是将爬虫数据(或者称索引数据)放在本地硬盘,进行搜索。二是直接搜索HDFS中的爬虫数据。

Nutch自带了一个WEB前端检索程序,即主目录下的nutch-x.x.war,实现WEB前端检索时需要安装Tomcat,执行应用程序。此外,在命令行中也可执行Nutch检索命令。

7.1 WindowsNutch单机搜索本地索引数据

    (1)将HDFS中生成的存储爬虫数据的data目录复制到本地,并将data目录拷贝到windows下的某个目录中,例如D盘下。

    bin/hadoop fs –copyToLocal data data

    (2) 安装tomcat,请确保安装路径没有空格,这很重要,在windows上如果有空格将导致搜索结果始终为0。启动tomcat服务。

    (3)将Nutch主目录下的WEB前端程序nutch-1.0.war复制到 ***/ tomcat/webapps/目录下。

(4)浏览器中输入http://localhost:8080/nutch-1.0,将自动解压nutch-1.0.war,在webapps下生成nutch-1.0目录。

(5)


2011/7/24 20:08
应用扩展 工具箱






可以查看帖子.
不可发帖.
不可回复.
不可编辑自己的帖子.
不可删除自己的帖子.
不可发起投票调查.
不可在投票调查中投票.
不可上传附件.
不可不经审核直接发帖.

[高级搜索]



系统导航

 

Copyright © 2001-2010 安信网络. All Rights Reserved
京ICP备05056747号