6

我正在尝试在 Windows 环境中使用 nutch 1.6，但每次我尝试按照网站Nutch Tuorial Apache中给出的过程运行时，我总是会遇到以下异常：

Exception in thread "main" java.io.IOException: Failed to set permissions of path: \tmp\hadoop-ajayn\mapred\staging\ajayn-1231695575\.staging to 0700

我一直在网上广泛搜索，但没有具体的解决方案。请注意，我没有在系统中安装或运行 hadoop 实例，我唯一的目的是试用 nutch 作为网络爬虫代理。

是否可以在 Windows 中运行 nutch 1.6，如果可以，有任何关于如何进行操作并避免上述异常的指针。

PS：如果有帮助，/tmp/ 文件夹附加了一个只读属性，即使您尝试这样做也不会更改。同样来自 cygwin 我试图设置文件权限 777，但每次我尝试运行 nutch 实例时，都会创建一个新文件夹，例如：“ajayn-1231695575”，它没有任何执行权限。

谢谢

阿杰

4

2 回答 2

1

您是否尝试过 Nutch Wiki 中的 GettingNutchRunningWithWindows？

我的一些学生进行了很多实验，以下是他们的工作结果：

用nutch 1.7测试-http://www.apache.org/dyn/closer.cgi/nutch/1.7/apache-nutch-1.7-bin.zip 你还需要cygwin。

1)将 nutch提取到没有空格的路径。例如：

 d:\dev\ir\nutch-1.7

2）将jdk复制到没有空格的某个地方。我试图在 cygwin 中创建一个符号链接，但它并不顺利。例如

xcopy /S "C:\Program Files\Java\jdk1.7.0_21" c:\jdk1.7.0_21

3）在cygwin中设置java的路径

3.1)export JAVA_HOME=/cygdrive/c/jdk1.7.0_21

3.2)export PATH=$JAVA_HOME/bin:$PATH

3,3) 通过调用 which java.xml 来检查一切是否正确。应该返回/cygdrive/c/jdk1.7.0_21/bin/java

SO FAR - 修复了第一个问题 - java 路径不正确。现在到第二个问题 - hadoop修补。

4）补丁hadoop

https://issues.apache.org/jira/browse/HADOOP-7682
https://github.com/congainc/patch-hadoop_7682-1.0.x-win

简而言之： - 放入patch-hadoop_7682-1.0.x-win.jar-d:\dev\ir\nutch-1.7\lib 通过d:\dev\ir\nutch-1.7\conf\nutch-site.xml添加以下内容进行编辑：

<property>
   <name>fs.file.impl</name>
   <value>com.conga.services.hadoop.patch.HADOOP_7682.WinLocalFileSystem</value>
   <description>Enables patch for issue HADOOP-7682 on Windows</description>
</property>

5) Hadoop temp dir - 我不确定这是否有必要（在应用之前尝试），因为我在应用补丁之前添加了它，但在我d:\dev\ir\nutch-1.7\conf\nutch-site.xml有

<property>
   <name>hadoop.tmp.dir</name>
   <value>C:\tmp\asd</value>
</property>

6) Hadoop 版本- 我不确定这是否必要（在应用之前尝试），我在找到补丁之前将 hadoop 降级为 hadoop-core-0.20.205.0.jar，它仍然保留在我的设置中。如果您觉得有必要，请点击此处：http://mvnrepository.com/artifact/org.apache.hadoop/hadoop-core/0.20.205.0

6.1) 移动hadoop-core-1.2.1.jar到d:\dev\ir\nutch-1.7\lib某个位置进行备份

6.2) 下载hadoop-core-0.20.205.0.jar到d:\dev\ir\nutch-1.7\lib

7) 一些爬取优化。如果您需要抓取大量网站，请不要从大量 url 列表、大深度和 topN 开始抓取。如果这样做，您会看到 nutch 依次从同一站点一次获取一个链接，在两次获取之间等待 5 秒。原因是深度 30 和 topN 200 很可能仅使用来自同一站点的链接填充第一个获取队列。Nutch 不会尝试一次获取它们，因为默认情况下它被配置为不从同一站点获取多个线程。所以你注定要等待。很多。

7.1）为了解决这个问题，首先运行几个小深度和topN的爬网 - 例如

bin/nutch crawl urls -dir crawl -depth 3 -topN 4

这将使用来自多个站点的 url 填充生成的获取队列

7.2）然后你可以尝试一个大晚上的爬行

bin/nutch crawl urls -dir crawl -depth 20  -topN 150

7.3.) 要允许一些多线程，请将以下内容添加到您的nutch-site.xml. 它将允许多个线程一次从同一主机获取。

笔记！在使用它们之前阅读互联网中属性的含义。

<property>
  <name>fetcher.threads.fetch</name>
  <value>16</value>
</property>
<property>
  <name>fetcher.threads.per.queue</name>
  <value>4</value>
</property>
<property>
<property>
  <name>fetcher.queue.mode</name>
  <value>byDomain</value>
</property>
<name>fetcher.threads.per.host</name>
   <value>8</value>
   <description></description>
</property>
<property>
  <name>fetcher.verbose</name>
  <value>true</value>
</property>
<property>
  <name>fetcher.server.min.delay</name>
  <value>5.0</value>
  <description>applicable ONLY if fetcher.threads.per.host is greater than 1 (i.e. the host blocking is turned off).</description>
</property>
</configuration>

注意：当您抓取大量网站时，请确保您D:\Dev\id\apache-nutch-1.7\conf\regex-urlfilter.txt只包含您感兴趣的网站。否则，您最终会在磁盘上看到“Internet”。

于 2014-12-03T22:18:53.393 回答
0

在 Nutch 1.3 之前我们也遇到了同样的问题，我们建议使用带有用于开发的虚拟机和共享目录的 ubuntu vm 环境，这样您就可以在 Windows 上使用 ide 进行开发并部署到您的 vm 并在 Linux 上运行 Nutch。

于 2013-03-08T20:24:04.373 回答