本文共 1436 字，大约阅读时间需要 4 分钟。

1. 我载nutch1.2并解压：
2. # wget http://apache.etoak.com//nutch/apache-nutch-1.2-bin.tar.gz .
   # tar zxvf apache-nutch-1.2-bin.tar.gz
3. 下载tomcat6并解压：
4. # wget http://apache.etoak.com/tomcat/tomcat-6/v6.0.32/bin/apache-tomcat-6.0.32.tar.gz
   # tar zxvf apache-tomcat-6.0.32.tar.gz
5. 设置JAVA环境变量
6. 在~/.bashrc结尾处添加：export JAVA_HOME=/usr/lib/jvm/java-1.6.0-openjdk-1.6.0.0/jre，重启终端后生效。
7. 配置nutch
8. 创建初始url文件，并写入一个（或多个）url # cd nutch-1.2
   # mkdir urls.test
   # echo http://www.sina.com/ > urls.test/iniurls
   修改文件conf/crawl-urlfilter.txt：将MY.DOMAIN.NAME替换为sina.com，或者干脆去掉，只留+^http:// 修改文件conf/nutch-default.xml：将http.agent.name的value写为my nutch agent（或其他任意值）
9. 开始抓取网络数据
10. # ./bin/nutch crawl urls.test/iniurls -depth 3 >& crawl.log
    运行完毕后生成文件夹crawl-20110513015802（文件名标识开始爬虫开始时间），若想指定文件夹名字，可在上述命令中加参数 -dir dirname
11. 配置搜索引擎
12. 进入apache-tomcat-6.0.32/webapps/ROOT #cd ../apache-tomcat-6.0.32/webapps/ROOT/
    删除所有文件 # rm -rf * 解压nutch-1.2/nutch-1.2.war到上述目录
    # jar xvf nutch-1.2.war
    修改apache-tomcat-6.0.32/webapps/ROOT/WEB-INF/classes/nutch-site.xml，导入已爬取的网络数据的数据库
    <?xml version="1.0"?><?xml-stylesheet type="text/xsl" href="configuration.xsl"?><!-- Put site-specific property overrides in this file. --><configuration> <property> <name>searcher.dir</name> <value>/我的文件夹/nutch-1.2/crawl-20110513015802/crawldb</value> </property></configuration>
13. 测试搜索引擎
14. 开启tomcat6
    # cd apache-tomcat-6.0.32
    # ./bin/startup.sh
    若以上顺利，在浏览器中输入http://localhost:8080，会见到nutch的搜索界面
15. 未完待续（修正中文乱码问题）

转载地址：http://hkavi.baihongyu.com/