一、简介
1. Nutch是一个基于Hadoop和Lucene的一个网络爬行器，用于收集网页信息。
2. 特点：基于Plugin机制以提高可扩展性；多协议和多线程分布式抓取；基于插件的内容分析机制；强大的抓取预处理控制；可扩展的数据处理模型(mapReduce)；全文索引器和搜索引擎(Lucene or Solor)，支持分布式查询；强大的API和集成配置。
二、一些必须的配置
1. Nutch 1.2版本，ubuntu 10.01 xfce
2. nutch你可以在http://www.apache.org/dyn/closer.cgi/nutch/中下到，你也可以在其Subversion中下最新的版本
3. 下载后在其要目录下有一个bin/nutch脚本用来启动nutch，也可以用其来看一下help帮助信息
4. 抓取之前要做一些配置：写一个urls文件用于生成crawlDB数据库；以conf/crawl-urlfilter.txt进行配置，把MY.DOMAIN.NAME变量替换成你想抓取的Domain的名字；修改conf/nutch-site.xml，加入<property><name>http.agent.name</name><value>test-nutch</value></property>信息；另入JAVA_HOME环境变量，一般在/usr/lib/jvm下会装有java的环境。
三、输出日志分析
1. 我用了如下命令，其中dir为指定抓取目录，depth为抓取深度，输出日志如下：
lemo@lemo-laptop:~/Workspace/java/Apache/Nutch/nutch-1.2$ bin/nutch crawl urls -dir crawl.test -depth 1
crawl started in: crawl.test<--- 抓取目录，抓取后有如下目录crawldb，index，indexes，linkdb， segments
rootUrlDir = urls<--- 初始化urls目录
threads = 10<--- 抓取线程数
depth = 1<--- 抓取深度
indexer=lucene<--- 索引器名字
<<<<<<<<<<<<<<<<<<< Injector开始,把urls目录合并到crawl db中去
Injector: starting at 2010-11-07 19:52:45
Injector: crawlDb: crawl.test/crawldb<--- inject的输出目录
Injector: urlDir: urls<--- 输入目录
Injector: Converting injected urls to crawl db entries.<--- 这里是对urls数据进行数据模型的转换
Injector: Merging injected urls into crawl db.<--- 这里利用MP计算模型来进行Inject操作
Injector: finished at 2010-11-07 19:52:48, elapsed: 00:00:03
<<<<<<<<<<<<<<<<<<< Generate开始，产生适合抓取的urls
Generator: starting at 2010-11-07 19:52:48
Generator: Selecting best-scoring urls due for fetch.<--- 对urls进行分数计算，产生topN个进行抓取
Generator: filtering: true<--- 进行相应的urls过滤，这个在conf/regex-urlfilter.txt有配置
Generator: normalizing: true<--- 是否对urls进行规范化，这个在conf/regex-normalize.txt中配置
Generator: jobtracker is 'local', generating exactly one partition.<--- 没有使用MP，只是本地读取
Generator: Partitioning selected urls for politeness.<---
Generator: segment: crawl.test/segments/20101107195251
Generator: finished at 2010-11-07 19:52:52, elapsed: 00:00:03
<<<<<<<<<<<<<<<<<<< Fetcher开始，进行Generator产生出来的urls进行抓取
Fetcher: Your 'http.agent.name' value should be listed first in 'http.robots.agents' property.
Fetcher: starting at 2010-11-07 19:52:52
Fetcher: segment: crawl.test/segments/20101107195251<--- 抓取数据存放目录
Fetcher: threads: 10<--- 抓取线程数，nutch是用了一个改进的work-crew的线程模型来进行网页抓取
QueueFeeder finished: total 1 records + hit by time limit :0
fetching http://www.baidu.com/<--- 正在抓取的url
-finishing thread FetcherThread, activeThreads=8<--- 每个线程结束抓取提示
-finishing thread FetcherThread, activeThreads=7
-finishing thread FetcherThread, activeThreads=6
-finishing thread FetcherThread, activeThreads=5
-finishing thread FetcherThread, activeThreads=4
-finishing thread FetcherThread, activeThreads=3
-finishing thread FetcherThread, activeThreads=2
-finishing thread FetcherThread, activeThreads=1
-finishing thread FetcherThread, activeThreads=1
-finishing thread FetcherThread, activeThreads=0
-activeThreads=0, spinWaiting=0, fetchQueues.totalSize=0<--- 所有线程的一个状态和抓取队列状态
-activeThreads=0
Fetcher: finished at 2010-11-07 19:52:54, elapsed: 00:00:02
<<<<<<<<<<<< dbupdate开始，把新生产的outlink等数据更新来原的crawldb数据库
CrawlDb update: starting at 2010-11-07 19:52:55
CrawlDb update: db: crawl.test/crawldb
CrawlDb update: segments: [crawl.test/segments/20101107195251]
CrawlDb update: additions allowed: true
CrawlDb update: URL normalizing: true
CrawlDb update: URL filtering: true
CrawlDb update: Merging segment data into db.
CrawlDb update: finished at 2010-11-07 19:52:56, elapsed: 00:00:01
<<<<<<<<<<<<<更新linkDb数据库
LinkDb: starting at 2010-11-07 19:52:56
LinkDb: linkdb: crawl.test/linkdb
LinkDb: URL normalize: true
LinkDb: URL filter: true
LinkDb: adding segment: file:/home/lemo/Workspace/java/Apache/Nutch/nutch-1.2/crawl.test/segments/20101107195251
LinkDb: finished at 2010-11-07 19:52:58, elapsed: 00:00:01
<<<<<<<<<<<<< index开始，对抓取数据进行索引
Indexer: starting at 2010-11-07 19:52:58
Indexer: finished at 2010-11-07 19:53:01, elapsed: 00:00:03
<<<<<<<<<<<<< 去重复数据
Dedup: starting at 2010-11-07 19:53:01
Dedup: adding indexes in: crawl.test/indexes
Dedup: finished at 2010-11-07 19:53:06, elapsed: 00:00:04
<<<<<<<<<<<<<把新的索引与老的索引进行合并
IndexMerger: starting at 2010-11-07 19:53:06
IndexMerger: merging indexes to: crawl.test/index
Adding file:/home/lemo/Workspace/java/Apache/Nutch/nutch-1.2/crawl.test/indexes/part-00000
IndexMerger: finished at 2010-11-07 19:53:06, elapsed: 00:00:00
crawl finished: crawl.test
从上面的日志输出，
我们可以看出Nutch的抓取流程：inject->Generate->Fetch->Parse->UpdateCrawlDB->UpdateLinkDB->index shards，
而数据流模型为：inject: urls->CrawlDB;
generate: CrawlDB->segment(crawl_generate）,对于哪些urls要进行generate呢？这里使用了静态和动态产生机制，静态的是那些带宽优先的、超过抓取时间的、高优先级的(PageRank)、新加入的。Fetchlist的产生一般会以topN的方式来产生，选择最优的后选者，这方面也有学者用遗传算法来实现，优先级由不同的因素来决定，一般是通过插件来实现的。动态的是那些自动检查网页更新频率和时间变化来决定网页的generate的优先级。
fetch: crawl_generate->crawl_fetch+content
crawldbupdate: parse_data->crawldb,把分析出的外链接更新到crawldb中，用于下一轮抓取
linkdb: parse_data->linkdb,把提供出的锚文本、反向链接等信息放入linkdb中
indexer: CrawlDB,LinkDB,Segment->indexes，对抓取的数据进行全文索引
Dedup: Segment->Segment,对网页进行去重，这里使用是的网页指纹的方法，对重复网页加删除标记
IndexMerger:indexes->index,把新的索引合并到旧的索引中去
四：抓取数据模型
1. CrawlDB，用于存储所有的urls信息，包括抓取机制，抓取状态，网页指纹和元数据。
2. LinkDB,存储每一个url的连入锚链接和锚文本
3. Segment,原始的网页内容；解析后的网页；元数据；外链接；用于索引的元文本