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

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

數(shù)據(jù)采集技術(shù)主講:吳夢(mèng)雪大大數(shù)據(jù)采集技術(shù)-NutchNutch是一個(gè)由Java實(shí)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(duì)其進(jìn)行分析,建立索引,以提供相應(yīng)的接口來對(duì)其網(wǎng)頁數(shù)據(jù)進(jìn)行查詢的一套工具。其底層使用了Hadoop來做分布式計(jì)算與存儲(chǔ),索引使用了Solr分布式索引框架來做,Solr是一個(gè)開源的全文索引框架,從Nutch1.3開始,其集成了這個(gè)索引架構(gòu)。Nutch目前最新的版本為version1.4。大數(shù)據(jù)采集技術(shù)-NutchNutch的目標(biāo)Nutch致力于讓每個(gè)人能很容易,同時(shí)花費(fèi)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(biāo),Nutch必須能夠做到:每個(gè)月取幾十億網(wǎng)頁為這些網(wǎng)頁維護(hù)一個(gè)索引對(duì)索引文件進(jìn)行每秒上千次的搜索提供高質(zhì)量的搜索結(jié)果以最小的成本運(yùn)作大數(shù)據(jù)采集技術(shù)-NutchNutch的優(yōu)點(diǎn)透明度:Nutch是開放源代碼的擴(kuò)展性:它提供了一種插件框架,使得其對(duì)各種網(wǎng)頁內(nèi)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(jìn)行擴(kuò)展對(duì)搜索引擎的理解:可以用Nutch學(xué)習(xí)搜索引擎大數(shù)據(jù)采集技術(shù)-NutchNutch總體結(jié)構(gòu):Nutch分為三個(gè)主要的部分:爬行、索引和搜索,各部分之間的關(guān)系如左圖所示。Webdb是Nutch初始運(yùn)行的URL集合;Fetcher是用來抓取網(wǎng)頁的爬行器,也就是平時(shí)常說的Crawler;indexer是用來建立索引的部分,它將會(huì)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(duì)某一詞條的搜索并返回結(jié)果。大數(shù)據(jù)采集技術(shù)-NutchNutch運(yùn)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(yīng)的內(nèi)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(jìn)

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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)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(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論