爬虫系统：通过Nutch扩展点开发插件(添加自定义索引字段到solr)

准备工作

1. 爬虫环境 —— nutch2.3.1 + solr4.10.3 + hbase0.98
2. 开发环境 —— Eclipse Mars.2 Release（4.5.2）
3. 所需jar包 —— apache-nutch-2.3.jar、hadoop-common-2.6.0.jar、slf4j-api-1.7.9.jar

什么是Nutch扩展点

??????好的爬虫系统应该同时具备高扩展性(scalability)和高伸缩性(extensibility)的特点。Nutch爬虫系统不仅是采用动态加载插件形式设计(可扩展性)，而且允许利用hadoop集群进行分布式爬取(可伸缩性)。用户可以根据自己的需求开发特定的爬虫系统，同时不需要过多担心业务量剧增会影响爬虫性能。
??????Nutch提供了扩展接口【 Parser、ParseFilter等】，用户通过实现这些接口进行插件开发。

本文插件的意义

??????利用nutch原始插件爬取web数据，然后把数据放入solr建索引，此时solr中的索引字段只有默认配置的几个，如果我们需要加入额外的字段，则需要利用Nutch的扩展接口进行索引插件开发。

如何利用Nutch扩展点开发插件

1、 确定实现哪个扩展点？
??????本文需要在solr中新增索引字段，所以需要利用索引阶段的扩展点【IndexWriter、IndexingFilter】，Nutch已经实现了indexer-solr插件用于创建solr索引，我们可以重新实现indexer-solr插件替换掉原来的；或者利用索引过滤往索引对象【NutchDocument】中加入需要进行索引的字段。本文使用IndexingFilter。
2、 如何开发插件？
??????2.1?eclipse新建java项目；
??????2.2?实现IndexingFilter接口；

    public class ExtraIndexer implements IndexingFilter {
        private static final Logger LOGGER = LoggerFactory.getLogger(ExtraIndexer.class);
        private Configuration conf;
        private String CRAWLID_VALUE;
    
        /**
         * NutchDocument为索引数据对象
         * WebPage为爬虫持久层数据表
         */
        public NutchDocument filter(NutchDocument doc, String url, WebPage page) throws IndexingException {
    
            // just in case
            if (doc == null)
                return doc;
            addCrawlId(doc, url, page);
            addFetchTime(doc, url, page);
            return doc;
        }
    
        private NutchDocument addFetchTime(NutchDocument doc, String url, WebPage page) {
            String fetchTime = page.getFetchTime().toString();
            LOGGER.info(">>>>>>>>>>add fetchtime: " + fetchTime);
            doc.add("fetchTime", fetchTime);
            return doc;
        }
    
        private NutchDocument addCrawlId(NutchDocument doc, String url, WebPage page) {
            doc.add("crawlId", this.CRAWLID_VALUE);
            LOGGER.info(">>>>>>>>>>add crawlId: " + this.CRAWLID_VALUE);
            return doc;
        }
    
        public void setConf(Configuration conf) {
            this.conf = conf;
            this.CRAWLID_VALUE = conf.get(Nutch.CRAWL_ID_KEY);
            LOGGER.info(">>>>>>>>>>crawlID for indexing set to: " + this.CRAWLID_VALUE);
        }
    
        public Configuration getConf() {
            return this.conf;
        }
    
        @Override
        public Collection<Field> getFields() {
            return null;
        }
    }

??????2.3?编写配置文件；

plugin.xml：插件信息提供给Nutch识别.

<plugin
   id="index-extra"
   name="Extra Indexing Filter"
   version="1.0.0"
   provider-name="nutch.org">

   <runtime>
      <library name="index-extra.jar">
         <export name="*"/>
      </library>
   </runtime>
   <requires>
      <import plugin="nutch-extensionpoints"/>
   </requires>
   <extension id="org.apache.nutch.indexer.extra"
              name="Nutch Extra Indexing Filter"
              point="org.apache.nutch.indexer.IndexingFilter">
      <implementation id="ExtraIndexer"
                      class="org.apache.nutch.indexer.extra.ExtraIndexer"/>
   </extension>

</plugin>

build.xml：给ant提供编译信息

<project name="index-extra" default="jar-core">
  <import file="../build-plugin.xml"/>
</project>

ivy.xml：描述插件的相关依赖，给ivy提供信息方便管理这些依赖

<ivy-module version="1.0">
  <info organisation="org.apache.nutch" module="${ant.project.name}">
    <license name="Apache 2.0"/>
    <ivyauthor name="Apache Nutch Team" url="http://nutch.apache.org"/>
    <description>
        Apache Nutch
    </description>
  </info>

  <configurations>
    <include file="../../../ivy/ivy-configurations.xml"/>
  </configurations>

  <publications>
    <!--get the artifact from our module name-->
    <artifact conf="master"/>
  </publications>

  <dependencies>
  </dependencies>
  
</ivy-module>

??????2.4?在nutch安装目录下编译插件；

a、把index-extra源码加入到{NUTCH-HOME}/src/plugin
b、修改{NUTCH-HOME}/src/plugin/build.xml文件
c、修改{NUTCH-HOME}/build.xml文件
d、编辑{NUTCH-HOME}/conf中的相关配置文件
e、在{NUTCH-HOME}目录下运行：ant runtime

3、 如何利用开发好的插件？

??????3.1?修改nutch-site配置文件；

<property>
   <name>plugin.includes</name>
   <value>protocol-httpclient|urlfilter-regex|index-(extra|basic|anchor|more|metadata)|indexer-solr|summary-basic|scoring-opic|urlnormalizer-(pass|regex|basic)|parse-(html|tika|text|metatags)</value>
</property>

??????3.2?修改schema.xml配置文件；

<field name="crawlId" type="string" stored="true" indexed="false"/>
<field name="fetchTime" type="string" stored="true" indexed="false"/>

??????3.3?修改solrindex-mapping.xml【nutch和solr索引映射】配置文件；

<field dest="fetchTime" source="fetchTime"/>
<field dest="crawlId" source="crawlId"/>

??????3.4?修改solr配置文件；

{NUTCH-HOME}/runtime/local/conf下的schema.xml复制到solr实例的conf目录下{SOLR-HOME}/collection1/conf/，并重启solr服务器

4、运行爬虫命令验证结果？

一站式命令：nohup bin/crawl urls/ craw-name http://××××:8080/solr/ 3
创建索引命令：nohup bin/nutch solrindex http://××××:8080/solr/ -all -crawlId craw-name &

小结

??????本文抛砖引玉，主要实现了在nutch索引阶段，通过扩展插件的手段，添加自定义的索引字段到NutchDocument索引数据对象中，从而在随后solr的CRUD阶段【indexer-solr】把添加的字段提交到solr。
注：博主水平有限，望批评指正！以求共勉！