Nutch 使用之鋒芒初試
                           
　　“工欲善其事，必先利其器。”經過前文的“細解”，我們已經完成了Nutch在Windows中的安裝。接下來就讓我們通過鋒芒初試，來親自體驗一下Nutch的強大功能吧！
   
　　Nutch的爬蟲抓取網頁有兩種方式，一種方式是Intranet Crawling，針對的是企業內部網或少量網站，使用的是crawl命令；另一種方式是Whole-web crawling，針對的是整個互聯網，使用inject、generate、fetch和updatedb等更底層的命令。 本文將以使用Nutch為筆者在CSDN處的個人專欄(http://blog.csdn.net/zjzcl)文章內容建立搜索功能為例，來講述Intranet Crawling的基本使用方法（假設用戶電腦系統已安裝好JDK、Tomcat和Resin，并做過相應的環境配置）。
   
　　1、設置Nutch的環境變量

　　在Windows系統的環境變量設置中，增加NUTCH_java_HOME變量，并將其值設為JDK的安裝目錄。比如筆者電腦中JDK安裝于D:/j2sdk1.4.2_09，因此將NUTCH_JAVA_HOME的值設為D:/j2sdk1.4.2_09。
   
　　2、Nutch抓取網站頁面前的預備工作

　　（1）在Nutch的安裝目錄中建立一個名為url.txt的文本文件，文件中寫入要抓取網站的頂級網址，即要抓取的起始頁。筆者在此文件中寫入如下內容：
   
　　http://blog.csdn.net/zjzcl
   
　　（2）編輯conf/crawl-urlfilter.txt文件，修改MY.DOMAIN.NAME部分:
   
　　# accept hosts in MY.DOMAIN.NAME
　　+^http://blog.csdn.net/zjzcl
   
　　3、運行Crawl命令抓取網站內容
   
　　雙擊電腦桌面上的Cygwin圖標，在命令行窗口中輸入：
   
　　cd /cygdrive/i/nutch-0.7.1
   
　　不明白此命令含義的讀者請參見前《細解》一文，然后再輸入：
   
　　bin/nutch crawl url.txt -dir crawled -depth 3 -threads 4 >& crawl.log
   
　　等待大約2分多鐘后，程序運行結束。讀者會發現在nutch-0.7.1目錄下被創建了一個名為crawled的文件夾，同時還生成一個名為crawl.log的日志文件。利用這一日志文件，我們可以分析可能碰到的任何錯誤。另外，在上述命令的參數中，dir指定抓取內容所存放的目錄，depth表示以要抓取網站頂級網址為起點的爬行深度，threads指定并發的線程數。
   
　　4、使用Tomcat進行搜索測試
   
　?。?）將tomcat/webapps下的ROOT文件夾名改成ROOT1；
　?。?）將nutch-0.7.1目錄的nutch-0.7.1.war復制到tomcat/webapps下，并將其改名為ROOT；
　?。?）打開ROOT/WEB-INF/classes下的nutch-site.xml文件，修改成如下形式：
   
　　<?xml version="1.0"?>
　　<?xml-stylesheet type="text/xsl" href="nutch-conf.xsl"?>

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

　　<nutch-conf>
　　　<property>
　　　　<name>searcher.dir</name>
　　　　<value>I:/nutch-0.7.1/crawled</value>
　　　</property>
　　</nutch-conf>
  
　　其中的“<value>I:/nutch-0.7.1/crawled</value>”部分，讀者應根據自己的設置進行相應修改。
　?。?）啟動Tomcat，打開瀏覽器在地址欄中輸入：http://localhost:8080，如圖1所示：