lucene nutch solr及hadoop的区别和联系
Lucene是索引，Nutch是完整的搜索引擎实现，是基于Lucene来实现的。
可以这么理解，Lucene是一个基础的东西，主要用于建立数据的索引，通过开发人员自己调用Lucene api使用。Nutch是一个做好的成品，配置好后就是一个简单的百度，可以采集、搜索数据等等，Lucene是百度服务器上搜索操作时具体执行的代码。
如何在web工程中调用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eclip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: Converting injected urls to crawl db entries.
java.io.IOException: Job failed!at org.apache.hadoop.mapred.JobClient.runJob(JobClient.java:1232)at org.apache.nutch.crawl.Injector.inject(Injector.java:160)at org.apache.nutch.crawl.Crawl.main(Crawl.java:113)at valley.test.test.main(test.java:10)at org.apache.jsp.MyJsp_jsp._jspService(MyJsp_jsp.java:79)at org.apache.jasper.runtime.HttpJspBa.rvice(HttpJspBa.java:94)at javax.rvlet.http.HttpServlet.rvice(HttpServlet.java:717)at org.apache.jasper.rvlet.JspServletWrapper.rvice(JspServletWrapper.java:324)at org.apache.jasper.rvlet.JspServlet.rviceJspFile(JspServlet.java:292)at org.apache.jasper.rvlet.JspServlet.rvice(JspServlet.java:236)at javax.rvlet.http.HttpServlet.rvice(HttpServlet.java:717)at org.apache.catalina.core.ApplicationFilterChain.internalDoFilter(ApplicationFilterChain.java:290)at org.apache.catalina.core.ApplicationFilterChain.doFilter(ApplicationFilterChain.java:206)at org.apache.catalina.core.StandardWrapperValve.invoke(StandardWrapperValve.java:233)at org.apache.catalina.core.StandardContextValve.invoke(StandardContextValve.java:191)at org.apache.catalina.core.StandardHostValve.invoke(StandardHostValve.java:128)at org.apache.catalina.valves.ErrorReportValve.invoke(ErrorReportValve.java:102)at org.apache.catalina.core.StandardEngineValve.invoke(StandardEngineValve.java:109)at org.apache.catalina.connector.CoyoteAdapter.rvice(CoyoteAdapter.java:293)at org.apache.coyote.http11.Http11Processor.process(Http11Processor.java:849)at org.apache.coyote.http11.Http11Protocol$Http11ConnectionHandler.process(Http11Protocol.java:583)at org.apache.tomcat.util.net.JIoEndpoint$Worker.run(JIoEndpoint.java:454)at java.lang.Thread.run(Thread.java:619)
这是因为tomcat的内存不够引起的具体解决办法不在罗嗦，不要忘记修改src下配置文件，如何修改和nutch中修改相同。
最后肯定感觉很奇怪，没什么没有说url.txt放在那个位置， url.txt一定要放在tomcat/bin 下，你爬取的文件也会自动存放在bin下具体原因我也搞不明白，这些的前提是如果你使用tomcat做web服务，项目的jdk一定要使用jdk1.6不然是编译 不通过的
如何读取nutch抓取数据
1.首先nutch的配置已经在博客里面写好了，如果还不知道，建议现看下，然后再读这篇文章。
2.用一个SequenceFile.Reader来读取排序的输入。SequenceFile.Reader m_reader = m_reader = new SequenceFile.Reader(fs, content, conf);
3.用NutchConfiguration.create()实例化一个Configuration的对象conf。
Configuration conf = NutchConfiguration.create();
//实例化一个path的路径，"path"是我们通过读取配置文件(conf.properties)获取的路径
Path content = new Path(path + "/data");
//通过这个路径就可有得到文件所在的位置。
FileSystem fs = content.getFileSystem(conf);
要爬网页，选哪个爬虫好？Nutch？Heritrix
用heritrix比nutch要好一些。
nutch适合做搜索引擎，只是附加有crawl的功能。而heritrix是专门crawl的。
用Lucene搞索引和查询很方便简单啊，数据库里面取出数据，封装成Lucene doc，用IKAnalyzer分词，建立索引啥的都给Lucene了。现在就是要从外网爬我需要的信息，按照我本地数据的格式存入数据库了... 刚上手...
ant-ANT编译nutch时失败，请问大神们这是什么原因
前提条件：配置ant
1. 下载nutch（例如：我的是apache-nutch-2.2.1-src.tar.gz）
解压，重命名nutch文件夹（命名为nutch），然后移动文件夹到/home文件夹下
2. 编译nutch
cd nutch
ant
2.1 你可能会遇到这种错误：
Trying to override old definition of task javac
[taskdef] Could not load definitions from resource org/sonar/ant/antlib.xml. It could not be found.
ivy-probe-antlib:
ivy-download:
[taskdef] Could not load definitions from resource org/sonar/ant/antlib.xml. It could not be found.
原因：缺少相应的jar文件
解决方法：
（1）下载sonar-ant-task-2.1.jar，并放到nutch文件夹目录下
（2）修改build.xml文件，从而引入这个新的jar
<!-- Define the Sonar task if this hasn't been done in a common script -->
<taskdef uri="antlib:org.sonar.ant" resource="org/sonar/ant/antlib.xml">
<classpath path="${ant.library.dir}" />
<classpath path="${mysql.library.dir}" />
<classpath><filet dir="." includes="sonar*.jar" /></classpath>
</taskdef>
//找到相应的地方，增加多出的内容即可。
2.2 编译时间过长
nutch使用ivy进行构建，故编译时间长。如果时间过长，可使用该办法解决。
修改该文件：ivy/ivyttings.xml
http://mirrors.ibiblio.org/maven2/
替换
http://repo1.maven.org/maven2/
2.3 编译之后的目录：
3. 修改nutch配置文件
Nutch2.x版本存储采用Gora访问Cassandra、HBa、Accumulo、Avro等，需要在该文件中制定Gora属性。
3.1修改 conf/nutch-site.xml
<property>
<name>storage.data.store.class</name>
<value>org.apache.gora.hba.store.HBaStore</value>
<description>Default class for storing data</description>
</property>
3.2修改 ivy/ivy.xml
<!-- Uncomment this to u HBa as Gora backend. -->
<dependency org="org.apache.gora" name="gora-hba" rev="0.3" conf="*->default" />
3.3修改 conf/gora.properties
gora.datastore.default=org.apache.gora.hba.store.HBaStore
配置nutch
（nutch文件夹已在/home目录下）
1. 修改系统环境变量
sudo gedit /etc/profile
//增加
#t nutch
export PATH=/home/nutch/runtime/local/bin:$PATH
2. 测试（nutch/runtime/local/bin中./nutch & ./crawl）
