大數(shù)據(jù)采集技術Nutch_第1頁
大數(shù)據(jù)采集技術Nutch_第2頁
大數(shù)據(jù)采集技術Nutch_第3頁
大數(shù)據(jù)采集技術Nutch_第4頁
大數(shù)據(jù)采集技術Nutch_第5頁
已閱讀5頁，還剩2頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

數(shù)據(jù)采集技術主講：吳夢雪大大數(shù)據(jù)采集技術-NutchNutch是一個由Java實現(xiàn)的，開放源代碼（open-source）的web搜索引擎。主要用于收集網(wǎng)頁數(shù)據(jù)，然后對其進行分析，建立索引，以提供相應的接口來對其網(wǎng)頁數(shù)據(jù)進行查詢的一套工具。其底層使用了Hadoop來做分布式計算與存儲，索引使用了Solr分布式索引框架來做，Solr是一個開源的全文索引框架，從Nutch1.3開始，其集成了這個索引架構。Nutch目前最新的版本為version1.4。大數(shù)據(jù)采集技術-NutchNutch的目標Nutch致力于讓每個人能很容易，同時花費很少就可以配置世界一流的Web搜索引擎。為了完成這一宏偉的目標，Nutch必須能夠做到：每個月取幾十億網(wǎng)頁為這些網(wǎng)頁維護一個索引對索引文件進行每秒上千次的搜索提供高質量的搜索結果以最小的成本運作大數(shù)據(jù)采集技術-NutchNutch的優(yōu)點透明度：Nutch是開放源代碼的擴展性：它提供了一種插件框架，使得其對各種網(wǎng)頁內容的解析、各種數(shù)據(jù)的采集、查詢、集群、過濾等功能能夠方便的進行擴展對搜索引擎的理解：可以用Nutch學習搜索引擎大數(shù)據(jù)采集技術-NutchNutch總體結構：Nutch分為三個主要的部分：爬行、索引和搜索，各部分之間的關系如左圖所示。Webdb是Nutch初始運行的URL集合；Fetcher是用來抓取網(wǎng)頁的爬行器，也就是平時常說的Crawler；indexer是用來建立索引的部分，它將會生成的索引文件并存放在系統(tǒng)之中；searcher是查詢器，用來完成對某一詞條的搜索并返回結果。大數(shù)據(jù)采集技術-NutchNutch運行流程:1.將起始URL集合注入到Nutch系統(tǒng)之中。2.生成片段文件，其中包含了將要抓取的URL地址。3.根據(jù)URL地址在互聯(lián)網(wǎng)上抓取相應的內容。4.解析所抓取到的網(wǎng)頁，并分析其中的文本和數(shù)據(jù)。5.根據(jù)新抓取的網(wǎng)頁中的URL集合來更新起始URL集合，并再次進

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論