Nutch + Hbase

Posted 无名氏0428

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Nutch + Hbase相关的知识,希望对你有一定的参考价值。

本文主要讲解内容包括:ant及ivy的搭建、Nutch + Hbase搭建


1、ant及ivy的搭建

1-1)ant下载地址http://ant.apache.org/bindownload.cgi

1-2)环境变量配置,修改linux /etc/profile文件内容,添加如下:

export ANT_HOME=/usr/ant
export PATH=$ANT_HOME/bin:$PATH

1-3)下载ivy build.xml http://ant.apache.org/ivy/history/latest-milestone/samples/build.xml

1-4)在下载的路径下执行 ant 命令,成功后在ant的安装路径下新增ivy文件夹,并将ivy下的ivy.jar拷贝到ANT_HOME/lib目录下


2、Nutch + Hbase搭建

2-1)Nutch下载路径http://nutch.apache.org/downloads.html,选择对应的版本,本文选用apache-nutch-2.3.1-src.tar.gz

2-2)修改conf/nutch-site.xml,内容如下:

<configuration>
    <property>
        <name>http.agent.name</name>
        <value>hbase_nutch</value>
    </property>
    <property>
        <name>storage.data.store.class</name>
        <value>org.apache.gora.hbase.store.HBaseStore</value>
        <description>Default class for storing data</description>
    </property>
    <property>
        <name>plugin.includes</name>
        <value>protocol-httpclient|urlfilter-regex|parse-(html|tika)|index-(basic|anchor)|indexer-solr|scoring-opic|urlnormalizer-(pass|regex|basic)</value>
    </property>
</configuration>

2-3)conf/regex-urlfilter.txt,用来过滤抓取网站的URL规则,读者可以根据个人需求进行定制。

2-4)修改 ivy/ivy.xml,主要用来设置所依赖的版本,改动有如下:

        添加Hbase支持,这里需要注意,由于版本兼容问题,这里使用0.98.13版本,笔者测试Hbase1.2版本,出现错误。

    <dependency org="org.apache.hbase" name="hbase-client" rev="0.98.13-hadoop2" conf="*->default"/>
    <dependency org="org.apache.hbase" name="hbase-common" rev="0.98.13-hadoop2" conf="*->default"/>
    <dependency org="org.apache.hbase" name="hbase-protocol" rev="0.98.13-hadoop2" conf="*->default"/>
    <dependency org="org.apache.gora" name="gora-hbase" rev="0.6.1" conf="*->default" />
        其他的jar文件读者可以根据需要进行删除或者更改。

2-5)拷贝hbase集群配置文件,cp $HBASE_HOME/conf/hbase-site.xml $NUTCH_HOME/conf/

2-6)修改conf/gora.properties,添加如下配置

     gora.datastore.default=org.apache.gora.hbase.store.HBaseStore

2-7)配置抓取链接,在conf目录下创建urls目录,用来保存抓取链接,然后初始化种子文件seed.txt,内容添加如下:

     http://www.csdn.net/
2-8)进行编译,创建抓取程序 ,nutch根目录下执行ant runtime,结果如下:

        

        第一次时间比较长,需要下载jar包等等。

2-9)抓取内容,在runtime/local/bin下执行如下命令:

    ./crawl /usr/apache-nutch-2.3.1/conf/urls/ numberOfRounds 10
        crawl 命令的参数解释如下:
    Usage: crawl <seedDir> <crawlID> [<solrUrl>] <numberOfRounds>
    <seedDir>:放置种子文件的目录
    <crawlID> :抓取任务的ID
    <solrURL>:用于索引及搜索的solr地址
    <numberOfRounds>:迭代次数,即抓取深度
 

2-10)查看hbase监控页面网址为:http://lenovo1:16010/master-status,获取到 表名称为numberOfRounds_webpage,通过Spark代码读取如下:

    // please ensure HBASE_CONF_DIR is on classpath of spark driver
    // e.g: set it through spark.driver.extraClassPath property
    // in spark-defaults.conf or through --driver-class-path
    // command line option of spark-submit
    val conf = HBaseConfiguration.create()

    val args = Array[String]("numberOfRounds_webpage")
    // Other options for configuring scan behavior are available. More information available at
    // http://hbase.apache.org/apidocs/org/apache/hadoop/hbase/mapreduce/TableInputFormat.html
    conf.set(TableInputFormat.INPUT_TABLE, args(0))

    // Initialize hBase table if necessary
    val admin = new HBaseAdmin(conf)
    if (!admin.isTableAvailable(args(0))) {
      println("不存在该表")
      return
      //sc.stop()
    }
    val pool = new HTablePool(conf, 1000)
    val table = pool.getTable(args(0))

    try {
      val rs: ResultScanner = table.getScanner(new Scan())
      var r = rs.next()
      while (r != null) {
        System.out.println("获得到rowkey:" + new String(r.getRow))
        for (keyValue <- r.raw()) {
          System.out.println("(" + new String(keyValue.getFamily()) + "," + new String(keyValue.getQualifier()) + "):" + new String(keyValue.getValue()));
        }
        r = rs.next()
      }
    } catch {
      case e => e.printStackTrace()
    }
    //sc.stop()
    admin.close()
展示结果如下:


  至此一个简单的示例完成了,读者可以在此基础上添加复杂业务逻辑。



以上是关于Nutch + Hbase的主要内容,如果未能解决你的问题,请参考以下文章

使用 Hbase 运行 Nutch 爬虫 2.2 时出现空指针异常

无法在 Hadoop2 上运行 Nutch2(Nutch 2.x + Hadoop 2.4.0 + HBase 0.94.18 + Gora 0.5 + Avro 1.7.6)

Apache Nutch、HBase、Hadoop、Solr、Gora 的困惑

软件Nutch2.3 + HBase 0.94 + Solr 搭建网络数据采集器

NUTCH2.3 hadoop2.7.1 hbase1.0.1.1 solr5.2.1部署(二)

Nutch2.2.1 笔记二 : Nutch2.2.1 + Mysql 配置,调试