第三步：进入 conf/gora.properties增加如下一行
[html] view plain copy
<–将HbaseStore设为默认的存储 –>

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

第四步：进入nutch 的目录下

监测ant的版本输入ant –version

输入ant runtime 命令

这个命令将构建你的apache nutch，在nutch的家目录下面将创建相应的目录(runtime)。这个步骤是必须的，因为nutch2.3仅仅作为源码进行了发布。所有的目录里面最重要的是runtime,包含了所有需要爬行的脚本

ant之后：
第五步：进入runtime/local/conf中，打开nutch-site，加入Http代理的名字。

[html] view plain copy

第六步：
在 runtime/local目录下，创建一个urls目录。
mkdir urls
进入urls目录
vi seed.txt
在seed.txt中加入需要抓取的网址。
第七步：
测试：前提是在你的本机上已经安装好了Solr

bin/crawl

bin/crawl urls/seed.txt alan http://192.168.14.151:8983/solr/ 2

Nutch抓取过程：

1) 建立初始 URL 集
2) 将 URL 集注入 crawldb 数据库—inject

crawldb中存放的是url地址，第一次根据所给url::http://blog.csdn.net/shuaigexiaobo/进行注入，然后updatecrawldb 保存第一次抓取的url地址，下一次即depth=2的时候就会从crawldb中获取新的url地址集，进行新一轮的抓取。

crawldb中有两个文件夹：current 和old. current就是当前url地址集，old是上一次的一个备份。每一次生成新的，都会把原来的改为old。

3) 根据 crawldb 数据库创建抓取列表—generate
4) 执行抓取，获取网页信息—fetch

5) 解析抓取的内容—parse segment

6) 更新数据库，把获取到的页面信息存入数据库中—updatedb
7) 重复进行 3～5 的步骤，直到预先设定的抓取深度。

 ---这个循环过程被称为“产生/抓取/更新”循环  8) 根据 sengments 的内容更新 linkdb 数据库---invertlinks 

可以看到，一个segment包括以下子目录(多是二进制格式):

content:包含每个抓取页面的内容

crawl_fetch:包含每个抓取页面的状态
crawl_generate:包含所抓取的网址列表
crawl_parse:包含网址的外部链接地址，用于更新crawldb数据库
parse_data:包含每个页面的外部链接和元数据
parse_text:包含每个抓取页面的解析文本

每个文件的生成时间

1.crawl_generate在Generator的时候生成；
2.content,crawl_fetch在Fetcher的时候生成；
3.crawl_parse,parse_data,parse_text在Parse segment的时候生成。

linkdb: 链接数据库，用来存储每个网址的链接地址，包括源地址和链接地址。

9) 建立索引—index

感谢：http://www.cnblogs.com/huligong1234/p/3515214.html

Nutch的 过滤

在Nutch的conf目录中有automaton-urlfilter.txt、regex-urlfilter.txt、suffix-urlfilter.txt、prefix-urlfilter.txt、domain-urlfilter.txt几个文件用于实现过滤抓取数据，比如不抓取后缀为gif、exe的文件等，通过修改其中的值可以达到只抓取感兴趣的内容的目的，在一定程度上也有助于提高抓取速度。

在抓取过程中，这几个文件不是都起作用的，默认情况下只有regex-urlfilter.txt会达到过滤目的，这一点可以从Nutch-default.xml确认。在进行过滤规则的修改之前，先说明Nutch的过滤器原理。在Nutch中，过滤器是通过插件的方式实现的，插件在nutch-default.xml中定义，具体如下：

其中plugin.folders定义了插件放置的位置，该值可以为绝对路径或者相对路径，若为相对路径则会在classpath中搜索，默认值为plugins，编译后的Nutch，会包含该文件夹。plugin.includes以正则表达式的方式定义了哪些插件将被包含在Nutch中，可以根据属性值查看plugins中的目录来确定默认值，比如urlfilter-regex，则说明默认情况下，过滤器插件使用的是urlfilter-regex，也即regex-urlfilter.txt文件。plugin.excludes属性以正则表达式的方式定义了哪些插件将被排除在Nutch之外定义了。

在了解了插件的定义后，具体看看过滤器分几种以及如何定义的。过滤器在nutch-default.xml中的定义如下：

通过上面的代码可知，过滤器可以分为5种，分别为：DomainURLFilter、RegexURLFilter、AutomatonURLFilter 、PrefixURLFilter、SuffixURLFilter，这5中过滤器的配置过滤规则的文件分别为：domain-urlfilter.txt、regex-urlfilter.txt、automaton-urlfilter.txt、prefix-urlfilter.txt、suffix-urlfilter.txt。属性urlfilter.order则定义了过滤器的应用顺序，所有过滤器都是与的关系。

了解了Nutch中是如何定义过滤器之后，再来看看具体的过滤规则文件，以regex-urlfilter.txt（默认情况下即按照该文件中的规则抓取数据）为例。该文件中定义的规则如下：

skip file: ftp:and mailto: urls

skip image andother suffixes we can’t yet parse

for a moreextensive coverage use the urlfilter-suffix plugin

skip URLscontaining certain characters as probable queries, etc.

-[?*!@=]

skip URLs withslash-delimited segment that repeats 3+ times, to break loops

-.*(/[^/]+)/[^/]+\1/[^/]+\1/

accept anythingelse

+.

其中#表示注释内容，-表示忽略，+表示包含。若待抓取的url匹配该文件中的一个模式，则根据该模式前面的加号或者减号来判断该url是否抓取或者忽略，若url跟该文件中定义的规则都不匹配，则忽略该url。

感谢：http://blog.csdn.net/skywalker_only/article/details/17562543

Nutch 性能优化

读Nutch-site.xml

在nutch-site.xml中：

最大抓取线程数量

同一时刻抓取网站的最大线程数量

配置这两个参数，扩大10至50倍，可以极大的加大抓取的性能。