nutch命令详解

关键字: nutch 命令 
Nutch采用了一种命令的方式进行工作，其命令可以是对局域网方式的单一命令也可以是对整个Web进行爬取的分步命令。主要的命令如下：

1. Crawl 
Crawl是“org.apache.nutch.crawl.Crawl”的别称，它是一个完整的爬取和索引过程命令。 
使用方法： 
Shell代码 
bin/nutch crawl <urlDir> [-dir d] [-threads n] [-depth i] [-topN] 

bin/nutch crawl <urlDir> [-dir d] [-threads n] [-depth i] [-topN]
  参数说明： 
    <urlDir>：包括URL列表的文本文件，它是一个已存在的文件夹。 
    [-dir <d>]：Nutch保存爬取记录的工作目录，默认情况下值为：./crawl-[date]，其中[date]为当前目期。 
    [-threads <n>]：Fetcher线程数，覆盖默认配置文件中的fetcher.threads.fetch值（默认为10）。 
    [-depth <i>]：Nutch爬虫迭代的深度，默认值为5。 
    [-topN <num>]：限制每一次迭代中的前N条记录，默认值为 Integer.MAX_VALUE。

配置文件： 
hadoop-default.xml 
    hadoop-site.xml 
    nutch-default.xml 
    nutch-site.xml 
    crawl-tool.xml

   其他文件： 
   crawl-urlfilter.txt

2.  Readdb 
    Readdb命令是“org.apache.nutch.crawl.CrawlDbReader”的别称，返回或者导出Crawl数据库（crawldb）中的信息。 
   使用方法： 
Shell代码 
bin/nutch rseaddb <crawldb> (-stats | -dump <out_dir> | -url <url>)  

bin/nutch rseaddb <crawldb> (-stats | -dump <out_dir> | -url <url>) 
参数说明： 
<crawldb>：crawldb目录. 
[-stats]:：在控制台打印所有的统计信息 
[-dump <out_dir>]：导出crawldb信息到指定文件夹中的文件 
[-url <url>]：打印指定URL的统计信息 
实例： 
Shell代码 
$ bin/nutch readdb fullindex/crawldb -stats  

$ bin/nutch readdb fullindex/crawldb -stats

CrawlDb statistics start: fullindex/crawldb 
Statistics for CrawlDb: fullindex/crawldb 
TOTAL urls:     468030 
retry 0:        467361 
retry 1:        622 
retry 2:        32 
retry 3:        15 
min score:      0.0 
avg score:      0.0034686408 
max score:      61.401 
status 1 (db_unfetched):        312748 
status 2 (db_fetched): 80671 
status 3 (db_gone):     69927 
status 4 (db_redir_temp):       1497 
status 5 (db_redir_perm):       3187 
CrawlDb statistics: done 
配置文件： 
hadoop-default.xml 
hadoop-site.xml 
nutch-default.xml 
nutch-site.xml

说明： 
-stats命令是一个快速查看爬取信息的很有用的工作，其输出信息表示了： 
DB_unfetched：链接到已爬取页面但还没有被爬取的页面数（原因是它们没有通过url过滤器的过滤，或者包括在了TopN之外被Nutch丢弃） 
DB_gone：表示发生了404错误或者其他一些臆测的错误，这种状态阻止了对其以后的爬取工作。 
DB_fetched表示已爬取和索引的页面，如果其值为0，那肯定出错了。

3. readlinkdb 
它是"org.apache.nutch.crawl.LinkDbReader"的别称，导出链接库中信息或者返回其中一个URL信息。 
使用方法： 
Shell代码 
Bin/nutch readlinkdb <linkdb> (-dump <out_dir> | -url <url>)  

Bin/nutch readlinkdb <linkdb> (-dump <out_dir> | -url <url>) 
参数说明： 
<linkdb>：linkdb工作目录 
[-dump <out_dir>]：导出信息到文件夹下 
[-url <url>]：打印某个URL的统计信息 
实例： 
Shell代码 
$ bin/nutch readlinkdb fullindex/linkdb -url www.ccnu.edu.cn - no link information  

$ bin/nutch readlinkdb fullindex/linkdb -url www.ccnu.edu.cn - no link information 
配置文件： 
hadoop-default.xml 
hadoop-site.xml 
nutch-default.xml 
nutch-site.xml

4. inject 
它是"org.apache.nutch.crawl.Injector"的别称，注入新URL到crawldb中。 
使用方法： 
Shell代码 
bin/nutch injector <crawldb> <urldir> 

bin/nutch injector <crawldb> <urldir>
参数说明： 
<crawldb>：crawldb文件夹 
<urldir>：保存有URL的文件的文件夹目录 
配置文件： 
hadoop-default.xml 
hadoop-site.xml 
nutch-default.xml 
nutch-site.xml 
  
以下配置文件参数影响到了注入方式： 
db.default.fetch.interval——按天设置爬取间隔，默认值30.0f 
db.score.injected——设置URL的默认打分，默认值1.0f 
urlnormalizer.class——规范化URL的类，默认值为 org.apache.nutch.net.BasicUrlNormalizer

5. generate 
它是“org.apache.nutch.crawl.Generator”，从Crawldb中抓取新的Segment。 
使用方法： 
Shell代码 
bin/nutch generator <crawldb> <segments_dir> [-topN <num>] [-numFetchers <fetchers>] [-adddays <days>] 

bin/nutch generator <crawldb> <segments_dir> [-topN <num>] [-numFetchers <fetchers>] [-adddays <days>]
参数说明： 
<crawldb>：crawldb目录 
<segments_dir>：新建的爬取Segment目录 
[-topN <num>]：选取前多少个链接，默认值为Long.MAX_VALUE 
[-numFetchers <fetchers>]：抓取分区数量。 Default: Configuration key -> mapred.map.tasks -> 1 
[-adddays <days>]: 添加 <days>到当前时间，配置crawling urls ，以将很快被爬取db.default.fetch.interval默认值为0。爬取结束时间在当前时间以前的。 
示例： 
Shell代码 
bin/nutch generate /my/crawldb /my/segments -topN 100 -adddays 20 

bin/nutch generate /my/crawldb /my/segments -topN 100 -adddays 20
配置文件： 
hadoop-default.xml 
hadoop-site.xml 
nutch-default.xml 
nutch-site.xml 
说明： 
generate.max.per.host – 设置单个主机最大的URL数量，默认情况下：unlimited。

6. fetch 
它是“org.apache.nutch.fetcher.Fetcher”的代称，它负责一个segment的爬取。 
使用方法： 
Shell代码 
bin/nutch fetcher <segment> [-threads <n>] [-noParsing] 

bin/nutch fetcher <segment> [-threads <n>] [-noParsing]
参数说明： 
<segment>：segment目录 
[-threads <n>]：运行的fetcher线程数默认值为 Configuration Key -> fetcher.threads.fetch -> 10 
[-noParsing]：禁用自动解析segment数据 
配置文件： 
hadoop-default.xml 
hadoop-site.xml 
nutch-default.xml 
nutch-site.xml 
说明： 
Fetcher依赖于多个插件以爬取不同的协议，目前已有的协议及支撑插件如下： 
http: 
protocol-http 
protocol-httpclient 
https: 
protocol-httpclient 
ftp: 
protocol-ftp 
file: 
protocol-file 
当爬取网上文档的时候，不应该使用protocol-file，因为它是用于爬取本地文件的。如果你想爬取http、https，应当使用protocol-httpclient。 
7. parse 
它是“org.apache.nutch.parse.ParseSegment”的代称，它对一个segment运行ParseSegment。 
使用方法： 
Shell代码 
bin/nutch parse <segment> 

bin/nutch parse <segment>
参数说明： 
<segment>：Segment文件夹 
配置文件： 
hadoop-default.xml 
hadoop-site.xml 
nutch-default.xml 
nutch-site.xml 
说明： 
它依赖于多个插件来解析不同格式的内容，支持的格式及插件有： 
内容格式 插件 备注 
text/html parse-html 使用NekoHTML 或者TagSoup解析HTML 
application/x-javascript parse-js 解析JavaScript 文档(.js). 
audio/mpeg parse-mp3 解析MP3 Audio文档(.mp3). 
application/vnd.ms-excel parse-msexcel 解析MSExcel文档 (.xls). 
application/vnd.ms-powerpoint parse-mspowerpoint 解析MSPower!Point 文档 
application/msword parse-msword 解析MSWord文档 
application/rss+xml parse-rss 解析RSS文档(.rss) 
application/rtf parse-rtf 解析RTF文档(.rtf) 
application/pdf parse-pdf 解析PDF文档 
application/x-shockwave-flash parse-swf 解析Flash 文档 (.swf) 
text-plain parse-text 解析Text文档(.txt) 
application/zip parse-zip 解析Zip文档(.zip) 
other types parse-ext 通过基于content-type或者路径前缀的外部命令来解析文档 
默认情况下只有txt、HTML、JS格式的插件可用，其他的需要在nutch-site.xml中配置使用。 
8 . segread 
"segread" 是"org.apache.nutch.segment.SegmentReader"的代称，它读取并导出Segment数据。 
使用方法： 
Shell代码 
bin/nutch segread <segment> 

bin/nutch segread <segment>
参数说明： 
<segment>：Segment文件夹 
配置文件： 
hadoop-default.xml 
hadoop-site.xml 
nutch-default.xml 
nutch-site.xml 
说明： 
在Nutch0.9后的版本中改为了readseg 
9 . updatedb 
它是“org.apache.nutch.crawl.CrawlDb”的代称，用fetch过程中获取的信息更新crawldb。 
使用方法： 
Shell代码 
bin/nutch updatedb <crawldb> <segment> [-noadditions] 

bin/nutch updatedb <crawldb> <segment> [-noadditions]
参数说明： 
<crawldb>：crawldb目录 
<segment>：已经爬取的segment目录 
[-noadditions]：是否添加新的链接到crawldb中 
配置文件： 
hadoop-default.xml 
hadoop-site.xml 
nutch-default.xml 
nutch-site.xml

10.  invertlinks 
它是“org.apache.nutch.crawl.LinkDb”的代称，它用从segment中获取到的信息更新linkdb。 
使用方法： 
Shell代码 
bin/nutch invertlinks <linkdb> (-dir segmentsDir | segment1 segment2 ...) 

bin/nutch invertlinks <linkdb> (-dir segmentsDir | segment1 segment2 ...)

参数说明： 
<linkdb>: linkdb目录 
<segment>: segment目录，可以指定至少一个的文件夹

配置文件： 
hadoop-default.xml 
hadoop-site.xml 
nutch-default.xml 
nutch-site.xml 
11.  index 
它是“org.apache.nutch.indexer.Indexer”的代称，创建一个segment的索引，利用crawldb和linkdb中的数据对索引中的页面打分。 
使用方法： 
Shell代码 
bin/nutch index <index> <crawldb> <linkdb> <segment> ... 

bin/nutch index <index> <crawldb> <linkdb> <segment> ...
参数说明： 
<index>: 索引创建后的保存目录 
<crawldb>: crawldb目录 
<linkdb>: linkdb目录 
<segment>: segment目录，可以指定多个 
配置文件： 
hadoop-default.xml 
hadoop-site.xml 
nutch-default.xml 
nutch-site.xml

12.  merge 
Merge是“org.apache.nutch.indexer.IndexMerger”的代称，它合并多个segment索引。 
使用方法： 
bin/nutch merge [-workingdir <workingdir>] <outputIndex> <indexesDir> ...

参数说明： 
[-workingdir <workingdir>]：提定工作目录 
<outputIndex>：合并后的索引存储目录 
<indexesDir>：包含待合并的索引目录，可以指定多个

配置文件： 
hadoop-default.xml 
hadoop-site.xml 
nutch-default.xml 
nutch-site.xml 
13.  mergedb 
它是“org.apache.nutch.crawl.CrawlDbMerger”的代称，合并多个CrawlDb，URLFilter可选择性地过滤指定内容。 
可以合并多个DB到一个中。当你分别运行爬虫并希望最终合并DB时，它会相当有用。可选择地，可以运行当前URLFilter过滤数据库中的URL，以滤去不需要的URL。当只有一个DB时也很有用，它意味着你可以通过这个工作去滤掉那些DB中你不想要的URL。 
只用这个工具来过滤也是可能的，在这种情况下，只指定一个crawldb。 
如果同一个URL包括在多个CrawlDb中，只有最近版本的才会被保留，即由org.apache.nutch.crawl.CrawlDatum.getFetchTime()值决定的。然而，所有版本的元数据被聚合起来，新的值代替先前的值。 
使用方法： 
bin/nutch merge output_crawldb crawldb1 [crawldb2 crawldb3 ...] [-filter] 
参数说明： 
output_crawldb：CrawlDb输出文件夹 
crawldb1 [crawldb2 crawldb3 ...]：一个或者多个CrawlDb(s). 
-filter：采用的URLFilters 
配置文件： 
hadoop-default.xml 
hadoop-site.xml 
nutch-default.xml 
nutch-site.xml

14.  mergelinkdb 
它是“org.apache.nutch.crawl.LinkDbMerger”的代称，用于合并多个linkdb，可以选择性的使用URLFilter来过滤指定内容。 
当分别从多个segment群中分布式建立LinkDb而又需要合并为一个时很有用。或者，也可以指定单个LinkDb，只是用它来过滤URL。 
只用这个工具来过滤也是可能的，在这种情况下，只指定一个LinkDb。 
如果一个URL包含在多个LinkDb中，所有的内部链接被聚合，但是最多db.max.inlinks 指定的内链数会添加进来。 如果被激活，URLFilter可以应用到所有的目标URL及其内链中。如果目标链接被禁止，所有的该目标链接的内链将和目标链接一起被移去。如果某些内链被禁止，那么只有他们会被移去，在校验上面提到的最大限制数时他们不会被计算在内。 
使用方法： 
bin/nutch mergelinkdb output_linkdb linkdb1 [linkdb2 linkdb3 ...] [-filter] 
参数说明： 
output_linkdb：输出linkdb 
linkdb1 [linkdb2 linkdb3 ...]: 多于一个的输入LinkDb(s) 
-filter: Actual URLFilters to be applied on urls and links in LinkDb(s). 
配置文件： 
hadoop-default.xml 
hadoop-site.xml 
nutch-default.xml 
nutch-site.xml 
15.  mergesegs 
它是“org.apache.nutch.segment.SegmentMerger”的代称，用于合并多个segment，可以选择性地输出到一个或者多个固定大小的segment中。 
使用方法： 
Shell代码 
bin/nutch mergesegs output_dir (-dir segments | seg1 seg2 ...) [-filter] [-slice NNNN] 

bin/nutch mergesegs output_dir (-dir segments | seg1 seg2 ...) [-filter] [-slice NNNN]

参数说明： 
output_dir：结果segment的名称或者segment片的父目录 
-dir segments：父目录，包括多个segment 
seg1 seg2 ...：segment目录列表 
-filter：通过URLFilters过滤 
-slice NNNN: 创建多个输出segment，每一个中包括了NNNN个URL。

配置文件： 
hadoop-default.xml 
hadoop-site.xml 
nutch-default.xml 
nutch-site.xml 
16.  dedup 
“dedup”是“org.apache.nutch.indexer.DeleteDuplicates”的别名，它segment indexes中去掉重复的页面。 
使用方法： 
Shell代码 
bin/nutch dedup <indexes> ... 

bin/nutch dedup <indexes> ...
参数说明： 
<indexes>：indexes索引文件 
配置文件： 
hadoop-default.xml 
hadoop-site.xml 
nutch-default.xml 
nutch-site.xml 
17.  plugin 
它是“org.apache.nutch.plugin.PluginRepository”的代称，用于从插件库中加载一个插件并执行其主方法。 
使用方法： 
Shell代码 
bin/nutch plugin <pluginId> <className> [args ...] 

bin/nutch plugin <pluginId> <className> [args ...]参数说明： 
<pluginId>：期望执行的插件ID 
<className>：包含主方法的类名 
[args]：传入插件的参数 
配置文件： 
hadoop-default.xml 
hadoop-site.xml 
nutch-default.xml 
nutch-site.xml