0

Nutch 1.6「bin/crawl」で提供されているスクリプトを実行しようとしています。これは、サイトを離れてスパイダーするために必要な以下のすべての手動手順を実行します。

これらの手順を手動で実行すると、すべてが正常に機能し、ページが期待どおりにインデックス化されます (1 ページのみですが、これを調べます)

URL @ seed/urls.txt を含む作成されたテキスト ファイル

bin/nutch inject crawl_test/crawldb seeds/

bin/nutch generate crawl_test/crawldb crawl_test/segments

export SEGMENT=crawl_test/segments/`ls -tr crawl_test/segments|tail -1`

bin/nutch fetch $SEGMENT -noParsing

bin/nutch parse $SEGMENT

bin/nutch updatedb crawl_test/crawldb $SEGMENT -filter -normalize

bin/nutch invertlinks crawl_test/linkdb -dir crawl_test/segments

bin/nutch solrindex http://dev:8080/solr/ crawl_test/crawldb -linkdb crawl_test/linkdb crawl_test/segments/*

bin/crawl スクリプトでこのエラーが発生します...

Indexing 20130412115759 on SOLR index -> someurl:8080/solr/
SolrIndexer: starting at 2013-04-12 11:58:47
SolrIndexer: deleting gone documents: false
SolrIndexer: URL filtering: false
SolrIndexer: URL normalizing: false
org.apache.hadoop.mapred.InvalidInputException: Input path does not exist: file:/opt/nutch/20130412115759/crawl_fetch
Input path does not exist: file:/opt/nutch/20130412115759/crawl_parse
Input path does not exist: file:/opt/nutch/20130412115759/parse_data
Input path does not exist: file:/opt/nutch/20130412115759/parse_text

このスクリプトが機能しない理由は何ですか? 探しているパスが存在せず、なぜそこを探しているのかわからないため、構成ではなくスクリプト自体のエラーであるに違いないと思います。

4

1 に答える 1

1

bin/crawlスクリプトにバグがあったようです

-  $bin/nutch solrindex $SOLRURL $CRAWL_PATH/crawldb -linkdb $CRAWL_PATH/linkdb $SEGMENT
+  $bin/nutch solrindex $SOLRURL $CRAWL_PATH/crawldb -linkdb $CRAWL_PATH/linkdb $CRAWL_PATH/segments/$SEGMENT
于 2013-04-12T11:40:47.997 に答える