[Nutch]Hadoop单机伪分布式模式的使用(deploy)

Posted 2022-06-03 kandy_ye

在上一篇博文我们对Nutch进行了hadoop的配置，那么本文就对nutch的deploy模式的使用进行说明。

1. 配置抓取链接

先进入nutch的deply目录：

cd nutch/runtime/deploy

和在local模式一样 ，我们先建立一个urls目录，并将抓取链接放入url.txt文件里面：

mkdir urls
echo http://www.cnbeta.com > urls/url.txt

将链接文件放入hadoop的分布式文件系统上：

hadoop fs -put urls urls

从web界面就可以看到里面的内容：

将本地的urls文件删除：

rm -rf urls

2. 执行抓取操作

和在local模式执行同样的命令：

nohup bin/nutch crawl urls -dir data -depth 5 -threads 50 &

如下图：

通过查看nohup.out就可以看到相关日志：

3. 通过web管理页面查看当前执行状况

3.1 jobtracker页面

从jobtracker页面可以看到当前正在执行的job和已经完成的job。

如下为正在执行的job：

已经完成的job如下：

等整个任务完成之后，总体界面如下：

3.2 tasktracker页面

可以显示task tracker的状态，如下：

3.3 dfshealth界面

可以查看 NameNode 以及整个分布式文件系统的状态，浏览分布式文件系统中的文件以及 log 等。

通过点击里面的“browser the filesystem”：

可以查看hadoop分布式文件系统里面的文件：

从里面可以看到segments下面的segment：