Mac自己搭建爬虫搜索引擎（nutch+elasticsearch是失败的尝试，改用scrapy+elasticsearch）

Posted 2020-10-02 Zen Garden

1.引言

项目需要做爬虫并能提供个性化信息检索及推送，发现各种爬虫框架。其中比较吸引的是这个：

Nutch+MongoDB+ElasticSearch+Kibana 搭建搜索引擎

E文原文在：http://www.aossama.com/search-engine-with-apache-nutch-mongodb-and-elasticsearch/

考虑用docker把系统搭建起来测试：

docker来源如下：

https://www.elastic.co/guide/en/elasticsearch/reference/current/docker.html

https://store.docker.com/community/images/pure/nutch-mongo

然而，docker下载image时实在是太慢，放弃docker！

 

Mac 设置JAVA_HOME：

vi ~/.bash_profile

export JAVA_HOME=$(/usr/libexec/java_home)
export PATH=$JAVA_HOME/bin:$PATH
export CLASS_PATH=$JAVA_HOME/lib

 

2.安装Mongo

Mac下直接用brew安装，此时最新版本是3.4.7。

安装好后建/data/db目录，mongod启动服务。

测试可用mongo命令连接，输入dbs查看数据库。

brew install mongo
sudo mkdir /data/db
sudo chown <你都用户名>  /data

mongod

3.安装es+kibana

下载es, 最新版是5.5.1. 地址：https://artifacts.elastic.co/downloads/elasticsearch/elasticsearch-5.5.1.tar.gz

修改配置

$ vim config/elasticsearch.yml

cluster.name: my-application

node.name: "node-1"

node.master: true

node.data: true

path.data: /opt/elasticsearch/data

network.bind_host: 127.0.0.1

network.publish_host: 127.0.0.1

network.host: 127.0.0.1

 

运行命令：bin/elasticsearch

浏览器访问：http://localhost:9200

 

下载kibana, 最新版是5.5.1，地址：Mac

运行命令：bin/kibana

浏览器访问：http://localhost:5601

 

4.安装Apache nutch

下载Apache Nutch 2.3.1 (src.tar.gz)： http://nutch.apache.org/downloads.html

配置环境变量：export NUTCH_HOME=$(pwd)

修改配置

$ cat conf/nutch-site.xml

<configuration>

  <property>

    <name>storage.data.store.class</name>

    <value>org.apache.gora.mongodb.store.MongoStore</value>

    <description>Default class for storing data</description>

  </property>

</configuration>

 

解除注释mongodb相关注释：

$NUTCH_HOME/ivy/ivy.xml：

<dependency org="org.apache.gora" name="gora-mongodb" rev="0.5" conf="*->default" />

$NUTCH_HOME/conf/gora.properties

############################

# MongoDBStore properties #

############################

gora.datastore.default=org.apache.gora.mongodb.store.MongoStore

gora.mongodb.override_hadoop_configuration=false

gora.mongodb.mapping.file=/gora-mongodb-mapping.xml

gora.mongodb.servers=localhost:27017

gora.mongodb.db=nutch

 

重要！需要更新elastic插件！原插件版本1.4.1，现最新是5.5.1.

修改 

cd src/plugin/indexer-elastic/

vi src/plugin/indexer-elastic/ivy.xml 

...

  <dependencies>

    <dependency org="org.elasticsearch" name="elasticsearch"

      rev="5.5.1" conf="*->default" />

  </dependencies>

...

ant -f ./build-ivy.xml 

ls lib 查看版本，更新plugin.xml中版本号。

<library name="HdrHistogram-2.1.9.jar"/>
<library name="elasticsearch-5.5.1.jar"/>
<library name="hppc-0.7.1.jar"/>
<library name="jackson-core-2.8.6.jar"/>
<library name="jackson-dataformat-cbor-2.8.6.jar"/>
<library name="jackson-dataformat-smile-2.8.6.jar"/>
<library name="jackson-dataformat-yaml-2.8.6.jar"/>
<library name="jna-4.4.0.jar"/>
<library name="joda-time-2.9.5.jar"/>
<library name="jopt-simple-5.0.2.jar"/>
<library name="log4j-api-2.8.2.jar"/>
<library name="lucene-analyzers-common-6.6.0.jar"/>
<library name="lucene-backward-codecs-6.6.0.jar"/>
<library name="lucene-core-6.6.0.jar"/>
<library name="lucene-grouping-6.6.0.jar"/>
<library name="lucene-highlighter-6.6.0.jar"/>
<library name="lucene-join-6.6.0.jar"/>
<library name="lucene-memory-6.6.0.jar"/>
<library name="lucene-misc-6.6.0.jar"/>
<library name="lucene-queries-6.6.0.jar"/>
<library name="lucene-queryparser-6.6.0.jar"/>
<library name="lucene-sandbox-6.6.0.jar"/>
<library name="lucene-spatial-6.6.0.jar"/>
<library name="lucene-spatial-extras-6.6.0.jar"/>
<library name="lucene-spatial3d-6.6.0.jar"/>
<library name="lucene-suggest-6.6.0.jar"/>
<library name="securesm-1.1.jar"/>
<library name="snakeyaml-1.15.jar"/>
<library name="t-digest-3.0.jar"/>

然而！更大的坑是这个plugin代码出错了！不折腾了，放弃！

开始编译：ant runtime    （跑了33分钟！）

 

结论

1. nutch 2.x 与 elasticsearch 5.x暂时不能很好兼容，不想折腾，放弃。

2. 下次尝试新的架构：scrapy + scrapy-redis + mongodb + elasticsearch