1. nutch怎么才能抓取到动态的url
修改crawl-urlfilter的过滤规则，
# The url filter file used by the crawl command.
# Better for intranet crawling.
# Be sure to change MY.DOMAIN.NAME to your domain name.
# Each non-comment, non-blank line contains a regular expression
# prefixed by '+' or '-'. The first matching pattern in the file
# determines whether a URL is included or ignored. If no pattern
# matches, the URL is ignored.
# skip file:, ftp:, & mailto: urls
-^(file|ftp|mailto):
# skip image and other suffixes we can't yet parse
-\.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|sit|eps|wmf|zip|ppt|mpg|xls|gz|rpm|tgz|mov|MOV|exe|jpeg|JPEG|bmp|BMP)$
# skip URLs containing certain characters as probable queries, etc.
-[?*!@=] //表示过滤包含指定字符的URL，改为： -[~]
# skip URLs with slash-delimited segment that repeats 3+ times, to break loops
-.*(/.+?)/.*?\1/.*?\1/
# accept hosts in MY.DOMAIN.NAME
+^http://([a-z0-9]*\.)*tianya.cn/[\s\S]* // 过滤正则表达式，([a-z0-9]*\.)*表示任意数字和字母，[\s\S]*表示任意字符
# skip everything else
-.
Nutch爬虫设置
Nutch本身包含一个对目标站点进行索引的爬虫和一个提供搜索用的web界面。在查询界面可以使用前需要先设置Nutch爬虫对目标站点进行抓取。
部分配置文件的解释：
* nutch\conf\nutch-default.xml
o 设置http.agent.name，如果http.agent.name为空，爬虫将无法正常启动。这里可以设置任意你喜欢的名字，比如设置为vik-robot。
o indexer.mergeFactor/indexer.minMergeDocs 这两个值都改成500。这两个参数值越大，性能越高，所需要花费的内存也需要相应的增加。如果设置过大，可能出现内存溢出。就实际使用情况，在当前参数下，内存的最大使用量为3xxM。
o
http.timeout表示最大超时等待时间，如果访问的连接长时间没有反应将丢弃。
o db.max.outlinks.per.page该参数表示单个页面最多支持多少个外连的连接，如果过多将不抓取。 如果是自己的内部系统那就设置一个任意大的数吧。
o nutch-default.xml 解读
*
创建文件nutch\urls，并填入爬虫的起始url。比如：
http://mysite.com/
*
nutch\conf\crawl-urlfilter.txt 该文件用于设置需要索引的url的过滤关系。每行一个过滤条件，-表示不包含该url，+表示包含。
o [?*!@=]，该行表示对所有动态url都不抓取。 现在的大部分系统都会有很多动态url，该过滤条件很可能使你抓不到任何内容。
o
针对各系统分别设置url的过滤关系。具体的设置方法得根据各自应用系统的不同而不同，这里以广为流行的论坛discuz为例。在这url过滤将只抓取板块列表和帖子内容。
# skip file:, ftp:, & mailto: urls
-^(file|ftp|mailto):
# skip image and other suffixes we can't yet parse
-\.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|sit|eps|wmf|zip|ppt|mpg|xls|gz|rpm|tgz|mov|MOV|exe|jpeg|JPEG|bmp|BMP)$
# skip URLs containing certain characters as probable queries, etc.
#-[?*!@=]
# skip URLs with slash-delimited segment that repeats 3+ times, to break loops
-.*(/.+?)/.*?\1/.*?\1/
# accept hosts in MY.DOMAIN.NAME
#+^http://([a-z0-9]*\.)*MY.DOMAIN.NAME/
#discuz
+^http://mysite.com/discuz/index.php$
+^http://mysite.com/discuz/forumdisplay.php\?fid=\d+$
+^http://mysite.com/discuz/forumdisplay.php\?fid=\d+&page=\d+$
+^http://mysite.com/discuz/viewthread.php\?tid=\d+&extra=page%3D\d+$
+^http://mysite.com/discuz/viewthread.php\?tid=\d+&extra=page%3D\d+&page=\d+$
# skip everything else
-.
* nutch\conf\regex-urlfilter.txt 我不清楚该配置文件是否有起作用，但建议注释掉其中的，-[?*!@=]。
执行爬虫
*
由于Nutch的脚本采用的是linux下是shell，在windows下需要使用cygwin来执行。至于cygwin的具体使用...，这个到网上找其他文章吧。cygwin官网
*
进入Nutch目录后执行命令 sh bin/nutch crawl urls -dir crawl -threads 2 -depth 100 -topN 1000000 >& crawl.log 完成网站的抓取和索引。
o threads 抓取网页的线程数，理论上线程数越多速度越快，但过多的线程会给服务器带来比较大的负担，影响正常使用。
o depth 页面的抓取深度。
o topN 每层最多抓取的页面数
o crawl.log 日志存放文件
2. 如何让nutch从新爬取数据
改URL 不是在N-S.XML里面
你定义的那个urls 和conf 里面的crawl-urlfilter.txt
如果你是在linux下面的话，从新爬不改索引库位置的话，会直接覆盖原先的索引库，在windows下的话，就需要改下索引库位置或者是删掉原先的索引库了
3. 如何调试nutch
Nutch默认只给用户提供一种是用方法就是用一个cygwin的模拟器去模拟一个的环境，然后用户去用命令行在cygwin中执行搜索，还有就是当开发者把nutch的源代码导入到eclipse的工程目录下然后执行
org.apache.nutch.crawl.Crawl类的main（）这两种方法只是适合程序员做调试的时候手动开启，所以在二次开发nutch的时候就要把crawl放到在jsp中去调用，
步骤
1：新建一个web工程，把nutch源代码中plugins文件夹下的目录复制到src下，把nutch下src/java 中的这些包复制src下
2：把nutch中conf文件夹的所有配置文件复制到src目录下，把nutch中nutch.job文件复制到src下边
3 把nutch中lib文件夹的jar文件复制到web-inf的lib下
4 重新在src下建立一个类，用这个类去调用crawl的main（）
package valley.test;import org.apache.nutch.crawl.Crawl;public class test {public static void main（String[] args） {String []arg ={“url.txt”,“-dir”,“crawled”,“-depth”,“10”,“-topN”,“50”};try {Crawl.main（arg）；} catch （Exception e） {// TODO Auto-generated catch blocke.printStackTrace（）；}}}
3 接下来就可以在jsp中去调用这个test类了，一般在调用的时候都会出现一个异常-Xms100m -Xmx800m 异常代码如下Injector
4. 我在windows下面安装了cygwin和nutch0.9但是bin/nutch命令显示的内容里面怎么 没有admin命令啊
需要用将环境变量配置一下，好像用 import $PATH=$PATH;/bin;/sbin;/usr/bin;/usr/sbin
把用到的命令加入。
5. 如何自定义nutch htmlparse插件
在conf/nutch-site.xml加入http.agent.name的属性
生成一个种子文件夹，mkdir -p urls，在其中生成一个种子文件，在这个文件中写入一个url，如http://nutch.apache.org/
编辑conf/regex-urlfilter.txt文件，配置url过滤器，一般用默认的好了,也可以加入如下配置，只抓取nutch.apache.org这个网址 +^http://([a-z0-9]*.)*nutch.apache.org/
使用如下命令来抓取网页
bin/nutch crawl urls -dir crawl -depth 3 -topN 5 说明： -dir 抓取结果目录名 -depth 抓取的深度 -topN 最一层的最大抓取个数 一般抓取完成后会看到如下的目录 crawl/crawldb crawl/linkdb crawl/segments
使用如下来建立索引
bin/nutch solrindex http://127.0.0.1:8983/solr/ crawldb -linkdb crawldb/linkdb crawldb/segments/* 使用这个命令的前提是你已经开启了默认的solr服务 开启默认solr服务的命令如下 cd ${APACHE_SOLR_HOME}/example java -jar start.jar 这个时候服务就开启了 你可以在浏览器中输入如下地址进行测试 http://localhost:8983/solr/admin/ http://localhost:8983/solr/admin/stats.jsp
但是要结合Nutch来使用solr，还要在solr中加一个相应的策略配置，在nutch的conf目录中有一个默认的配置，把它复制到solr的相应目录中就可以使用了 cp ${NUTCH_RUNTIME_HOME}/conf/schema.xml ${APACHE_SOLR_HOME}/example/solr/conf/ 这个时候要重新启动一下solr
索引建立完成以后就你就可以用关键词进行查询，solr默认返回的是一个xml文件
6. 在win7上搭建nutch环境，jdk，eclipse，tomcat，环境已经配置好，cygwin安装后用bin/nutch成功，如图一
bin/nutch前面加上./
7. 为什么会没有“crawl”的命令
bin/nutch crawl urls -dir crawl -depth 3 -topN5
就你这条命令来看：
1、需要cygwin进入nutch的目录即nutch home，才有bin/nutch命令
2、urls必须是在nutch home下？另外urls是文件还是文件夹，如果是文件夹，里面有例如url.txt之类的文件没有
3、-dir crawl中的crawl是一个文件夹，在nutch home下，你有创建没？
4、不知道你的截屏是否完整，如果不是完整的，后面有&> crawl/crawl.log之类的，这是将log记录到指定的这个crawl/crawl.log中，是否在nutch home下有类似crawl/crawl.log的存在。 【如果是完整的，则log直接打印在cygwin中，这条可以忽视】
8. 如何把nutch爬取的网页内容存写到MongoDB
进入nutch的安装目录，运行命令：
bin/nutch readseg -mp db/segments/20090525140014 segdb -nocontent -nofetch -nogenerate -noparse -noparsedata
db/segments/20090525140014为一个segments文件夹，segdb为存放转换后的内容的文件夹。
9. 一分钟了解互联网数据挖掘流程
一分钟了解互联网数据挖掘流程
1、爬虫抓取网络数据
真实的数据挖掘项目，一定是从获取数据开始的，除了通过一些渠道购买或者下载专业数据外，常常需要大家自己动手爬互联网数据，这个时候，爬虫就显得格外重要了。
Nutch爬虫的主要作用是从网络上抓取网页数据并建立索引。我们只需指定网站的顶级网址，如taobao.com，爬虫可以自动探测出页面内容里新的网址，从而进一步抓取链接网页数据。nutch支持把抓取的数据转化成文本，如（PDF、WORD、EXCEL、HTML、XML等形式）转换成纯文字字符。
Nutch与Hadoop集成，可以将下载的数据保存到hdfs，用于后续离线分析。使用步骤为：
向hdfs中存入待抓取的网站url
$ hadoop fs -put urldir urldir
注：
第一个urldir为本地文件夹，存放了url数据文件，每行一个url地址
第二个urldir为hdfs的存储路径。
启动nutch，在NUTCH_HONE目录下执行以下命令
$ bin/nutch crawlurldir –dir crawl -depth 3 –topN 10
命令成功执行后，会在hdfs中生成crawl目录。
2、MapRece预处理数据
对于下载的原始文本文档，无法直接进行处理，需要对文本内容进行预处理，包括文档切分、文本分词、去停用词（包括标点、数字、单字和其它一些无意义的词）、文本特征提取、词频统计、文本向量化等操作。
常用的文本预处理算法是TF-IDF，其主要思想是，如果某个词或短语在一篇文章中出现的频率高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来做分类。
输入原始文本内容：
Againit seems that cocoa delivered……
执行TF-IDF预处理：
hadoop jar $JAR ……
输出文本向量:
9219:0.246 453:0.098 10322:0.21 11947:0.272 ……
每一列是词及其权重，使用冒号分隔，例如“9219:0.246”表示编号为9219的词，对应原始单词为“Again”，其权重值为0.246。
3、Mahout数据挖掘
预处理后的数据就可以用来做数据挖掘。Mahout是一个很强大的数据挖掘工具，是分布式机器学习算法的集合，包括：协同过滤、分类、聚类等。
以LDA算法为例，它可以将文档集中每篇文档的主题按照概率分布的形式给出。它是一种无监督学习算法，在训练时不需要手工标注主题，需要的仅仅是指定主题的数量K。此外LDA的另一个优点则是，对于每一个主题均可找出一些词语来描述它。
输入预处理后的数据:
9219:0.246 453:0.098 ……
执行LDA挖掘算法：
mahout cvb –k 20……
输出挖掘结果：
topic1 {computer,technology,system,internet,machine}
topic2 {play,film,movie,star,director,proction,stage}
我们可以获知用户的偏好是哪些主题，这些主题是由一些关键词组成。
4、Sqoop导出到关系数据库
在某些场景下，需要把数据挖掘的结果导出到关系数据库，用于及时响应外部应用查询。
sqoop是一个用来把hadoop和关系型数据库中的数据相互转移的工具，可以将一个关系型数据库（例如：MySQL ,Oracle 等）中的数据导入到hadoop的hdfs中，也可以将hdfs的数据导出到关系型数据库中：
sqoop export –connect jdbc:mysql://localhost:3306/zxtest –username root–password root –table result_test –export-dir /user/mr/lda/out
export操作实现把hdfs目录/user/mr/lda/out下数据导出到mysql的result_test表。
10. 关于nutch的问题：我从别人那里直接拷过来的一个包，解压后如图：
1在cygwin下的哪个目录出错的？
你ls / 一下， 看看windows硬盘被挂载到哪个目录了。
2 不明白你问的问题， eclipse只是编译环境，应该没什么关系吧