Apache Nutch

Apache Nutch是一款用于java編程工具的搜索引擎軟件，快速完成java數據編程，智能檢索java資源便捷使用。快來綠色資源網下載體驗吧！

軟件介紹

Nutch是一個開源Java 實現的搜索引擎。它提供了我們運行自己的搜索引擎所需的全部工具。包括全文搜索和Web爬蟲。Nutch誕生于2002年8月，是Apache旗下的一個用Java實現的開源搜索引擎項目，自Nutch1.2版本之后，Nutch已經從搜索引擎演化為網絡爬蟲，接著Nutch進一步演化為兩大分支版本：1.X和2.X，這兩大分支最大的區別在于2.X對底層的數據存儲進行了抽象以支持各種底層存儲技術。Nutch 致力于讓每個人能很容易, 同時花費很少就可以配置世界一流的Web搜索引擎.

使用原理

在創建一個WebDB之后(步驟1), “產生/抓取/更新”循環(步驟3－6)根據一些種子URLs開始啟動。當這個循環徹底結束，Crawler根據抓取中生成的segments創建索引（步驟7－10）。在進行重復URLs清除（步驟9）之前，每個segment的索引都是獨立的（步驟8）。最終，各個獨立的segment索引被合并為一個最終的索引index（步驟10）。

其中有一個細節問題，Dedup操作主要用于清除segment索引中的重復URLs，但是我們知道，在WebDB中是不允許重復的URL存在的，那么為什么這里還要進行清除呢？原因在于抓取的更新。比方說一個月之前你抓取過這些網頁，一個月后為了更新進行了重新抓取，那么舊的segment在沒有刪除之前仍然起作用，這個時候就需要在新舊segment之間進行除重。