apache - 在 hadoop 集群上使用 HBase 设置 Nutch 2.2.1

Question

我已引用本教程 ( http://wiki.apache.org/nutch/Nutch2Tutorial ) 来设置 Nutch 2.2.1.with Hbase。我已经完成了教程中给出的设置，但是没有明确提到如何爬取数据并将数据存储到Hbase表中。

你能给我推荐一些相关的链接/书籍吗？

Answer 1

对我最有帮助的是:

http://sujitpal.blogspot.cz/2011/01/exploring-nutch-20-hbase-storage.html

映射到 hbase 定义在这里 NUTCH_HOME/conf/gora-hbase-mapping.xml。 因此，如果一切配置正确，抓取脚本应该为您存储它。

我有相同的配置，但在运行时遇到了很多问题，这里有一些提示:

技巧一:注意表名

我还配置了这些属性:

<property>
  <name>storage.schema.webpage</name>
  <value>webpage</value>
</property>

<property>
  <name>storage.crawl.id</name>
  <value>babu</value>
</property>

当您在脚本中提供参数 -crawlId 时，此配置会将数据抓取到 hbase 中的 babu_webpage 表中，编写简单的 'babu' -> $CRAWL_ID。

$bin/nutch fetch $commonOptions -D fetcher.timelimit.mins=$timeLimitFetch $batchId -crawlId $CRAWL_ID -threads 50

提示 2:如果您的表名错误，Nutch 仍然会在控制台成功写入。

技巧三:如何简单的查看hbase中是否有爬取的东西:

转到./bin/hbase shell

list
scan 'babu_webpage'