Apache Nutch官方版

想要轻松获取世界一流的Web搜索引擎,那就千万不要错过Apache Nutch官方版!它是一款非常受欢迎的Java搜索引擎框架,能够为广大用户提供全文搜索和Web爬虫等超多功能,不仅可以建立自己内部网的搜索引擎，同时也可以针对整个网络建立搜索引擎,对Apache Nutch官方版感兴趣的朋友千万不要错过!

Apache Nutch官方版软件特色:

每个月取几十亿网页

为这些网页维护一个索引

对索引文件进行每秒上千次的搜索

提供高质量的搜索结果

Apache Nutch官方版功能特点:

支持将起始URL集合注入到Nutch系统之中

支持生成片段文件，其中包含了将要抓取的URL地址

根据URL地址在互联网上抓取相应的内容

解析所抓取到的网页，并分析其中的文本和数据

根据新抓取的网页中的URL集合来更新起始URL集合，并再次进行抓取

同时，对抓取到的网页内容建立索引，生成索引文件存放在系统之中

Apache Nutch官方版使用教程:

首先先运行软件，选择File -> Import Project ->选择apache-nutch-1.9文件夹，确定后选择Import project from external model(Eclipse)

一直点击next到结束，成功将项目导入project中去

源码导入工程后，并不能执行完整的爬取。Nutch将爬取的流程切分成很多阶段，每个阶段分别封装在一个类的main函数中。在外面通过Linux Shell调用这些main函数，来完整爬取的流程。下面我们来运行Nutch中最简单的流程：Inject。我们知道爬虫在初始阶段，是需要人工给出一个或多个url，作为起始点（广度遍历树的树根）。Inject的作用，就是把用户写在文件里的种子(一行一个url，是TextInputFormat)，插入到爬虫的URL管理文件(crawldb，是SequenceFile)中。

接下来我们按照Nutch默认的配置，需要修改Nutch的配置文件，为插件文件夹指定一个绝对路径，修改conf/nutch-default.xml文件内容，并且保存到工程中

接下来我们就可以开始对指定的网站的信息进行完整的爬取了