Indexer IOException 作业在“Bluemix”solr 中索引 nutch 爬网数据时失败

Question

我正在尝试通过 Bluemix solr 索引 nutch 爬网数据。我在命令提示符中使用了以下命令：

bin/nutch 索引 -D solr.server.url="https://gateway.watsonplatform.net/retrieve-and-rank/api/v1/solr_clusters/CLUSTER-ID/solr/admin/collections -D solr .auth=true -D solr.auth.username="USERNAME" -D solr.auth.password="PASS" 爬取/crawldb -linkdb 爬取/linkdb 爬取/segments/2016*

但它未能完成索引。结果如下：

Indexer: starting at 2016-06-16 16:31:50
Indexer: deleting gone documents: false
Indexer: URL filtering: false
Indexer: URL normalizing: false
Active IndexWriters :
SolrIndexWriter
        solr.server.type : Type of SolrServer to communicate with (default 'http' however options include 'cloud', 'lb' and 'concurrent')
        solr.server.url : URL of the Solr instance (mandatory)
        solr.zookeeper.url : URL of the Zookeeper URL (mandatory if 'cloud' value for solr.server.type)
        solr.loadbalance.urls : Comma-separated string of Solr server strings to be used (madatory if 'lb' value for solr.server.type)
        solr.mapping.file : name of the mapping file for fields (default solrindex-mapping.xml)
        solr.commit.size : buffer size when sending to Solr (default 1000)
        solr.auth : use authentication (default false)
        solr.auth.username : username for authentication
        solr.auth.password : password for authentication
Indexing 153 documents
Indexing 153 documents
Indexer: java.io.IOException: Job failed!
        at org.apache.hadoop.mapred.JobClient.runJob(JobClient.java:836)
        at org.apache.nutch.indexer.IndexingJob.index(IndexingJob.java:145)
        at org.apache.nutch.indexer.IndexingJob.run(IndexingJob.java:222)
        at org.apache.hadoop.util.ToolRunner.run(ToolRunner.java:70)
        at org.apache.nutch.indexer.IndexingJob.main(IndexingJob.java:231)

我猜它与solr.server.url地址有关，可能是它的结尾。我用不同的方式改变了它 例如

“https://gateway.watsonplatform.net/retrieve-and-rank/api/v1/solr_clusters/CLUSTER-ID/solr/example_collection/update”。

（因为它被 Bluemix Solr 用于索引 JSON/CSV/... 文件）。 但现在没有机会了。

有人知道我该如何解决吗？如果问题如我所料，任何人都知道 solr.server.url 究竟应该是什么？ 顺便说一句，“example_collection”是我的集合名称，我正在使用 nutch1.11。

Answer 1

据我所知，通过 nutch 本身提供的 index 命令（bin/nutch index...）在 Bluemix R&R 中对 nutch 爬网数据进行索引是不可能的。 我意识到，要在 Bluemix Retrieve and Rank 服务中索引 nutch 爬网数据，应该：

1. 用 nutch 抓取种子，例如

   $:bin/crawl -w 5 urls crawl 25

您可以通过以下方式查看抓取状态：

bin/nutch readdb crawl/crawldb/ -stats

1. 将抓取的数据转储为文件：

   $:bin/nutch dump -flatdir -outputDir dumpData/ -segment crawl/segments/

2. 发布那些可能的，例如 xml 文件到 solr Collection on Retrieve and Rank:

   Post_url = '"https://gateway.watsonplatform.net/retrieve-and-rank/api/v1/solr_clusters/%s/solr/%s/update"' %(solr_cluster_id, solr_collection_name)
   cmd ='''curl -X POST -H %s -u %s %s --data-binary @%s''' %(Cont_type_xml, solr_credentials, Post_url, myfilename)          
   subprocess.call(cmd,shell=True)
   

3. 使用 Bluemix Doc-Conv 服务将其余部分转换为 json：

   doc_conv_url = '"https://gateway.watsonplatform.net/document-conversion/api/v1/convert_document?version=2015-12-15"'
   cmd ='''curl -X POST -u %s -F config="{\\"conversion_target\\":\\"answer_units\\"}" -F file=@%s %s''' %(doc_conv_credentials, myfilename, doc_conv_url)
   process = subprocess.Popen(cmd, shell= True, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
   

   然后将这些 Json 结果保存到一个 json 文件中。

4. 将此 json 文件发布到集合中：

   Post_converted_url = '"https://gateway.watsonplatform.net/retrieve-and-rank/api/v1/solr_clusters/%s/solr/%s/update/json/docs?commit=true&split=/answer_units/id&f=id:/answer_units/id&f=title:/answer_units/title&f=body:/answer_units/content/text"' %(solr_cluster_id, solr_collection_name)
   cmd ='''curl -X POST -H %s -u %s %s --data-binary @%s''' %(Cont_type_json, solr_credentials, Post_converted_url, Path_jsonFile)
   subprocess.call(cmd,shell=True)
   

5. 发送查询：

   pysolr_client = retrieve_and_rank.get_pysolr_client(solr_cluster_id, solr_collection_name)
   results = pysolr_client.search(Query_term)
   print(results.docs)
   

   代码在 python 中。

对于初学者：您可以直接在 CMD 中使用 curl 命令。我希望它可以帮助其他人。

Answer 2

像这样：

nutch index -Dsolr.server.url=http://username:password@localhost:8983/solr/nutch crawl/crawldb/ -linkdb crawl/linkdb/ crawl/segments/20170816191100/ -filter -normalize -deleteGone 

它有效。