安装nutch还是比较简单的，从apache的网站上去下哪个66M之大的包包：
http://lucene.apache.org/nutch/release/
另外，你还可以使用Luke来验证你的index，并通过它来进行深入的查询：
http://www.getopt.org/luke/
我还特别的安装一个tomcat来让大家上nutch来“google一把”的感觉，这样你也需要下一个tomcat（其实只要是一个servlet容器就好）：
http://tomcat.apache.org/download-55.cgi
简单的说明一下各文件：
apache-tomcat-5.5.20.tar.gz
nutch-0.8.1.tar.gz
lukeall-0.7.jar
另外，我的操作系统是Mac OSX 10.4.8，JDK版本为1.5.0_07。
我把tomcat和nutch解到了~/japp目录中：
/Users/HD/japp/apache-tomcat-5.5.20
/Users/HD/japp/nutch-0.8.1
首先需要简单的设置一些环境变量，我在home的.profile中加入了以下设置：
export JAVA_HOME=/usr
export NUTCH_HOME=/Users/HD/japp/nutch-0.8.1
好了，开始我们的正式工作罢。
首先，把我们要抓取的网站的起始地址加入到nutch中去：
>>
cd $NUTCH_HOME
mkdir urls
echo 'http://lucene.apache.org/nutch/' > urls/nutch
你可以建一个目录，目录中的每一个文件中的每一行都是一个站点的“起抓页”。nutch会从这些url中开抓的。 :)
同时你需要告诉nutch，有哪些url被适配时，抓取到索引库中来。编辑conf目录中的crawl-urlfilter.txt文件，将MY.DOMAIN.NAME换为你想被抓进来的站点的名字，比如我是这样写的：
>>
# accept hosts in MY.DOMAIN.NAME
+^http://([a-z0-9]*\.)*apache.org/
+^http://([a-z0-9]*\.)*woodpecker.org.cn/
这样，所有可以适配上这两个规则的网页都会被抓取下来。
最后还需要将抓取网页时提交的一些信息，必须要配置的属性是http.agent.name。设置的文件是conf中的nutch-site.xml：
>>
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<!-- Put site-specific property overrides in this file. -->
<configuration>
<property>
<name>http.agent.name</name>
<value>HD nutch agent</value>
</property>
</configuration>
其它还可选的有http.agent.url、http.agent.email、http.agent.version。设置好这些属性，对于被抓取的站点来讲是十分友好的行为，所以最好设置。
我们可以开抓了：
>>
cd $NUTCH_HOME
bin/nutch crawl urls -dir crawl -depth 5 -topN 50
我们需要使用crawl命令进行抓取。urls参数是存放抓取起始点的目录。-dir参数说明了抓取后的存储目录。-depth参数说明了抓取的层级深度。而-topN说明了一个层级抓取网页的数量。
执行这个命令需要一点时间，结束时可以看到这样的输出：
我们可以看到index被增加到了crawl/indexes目录中。还可以看看存储数据的目录结构：
你可以看到index目录中的文件，如果没有这些，说明设置有了问题了。
双击一下lukeall-0.7.jar，我们来打开索引：
还可以看看我们抓到了什么：
当然，你还可以在库中进行查询：
不过要注意，查询条件的输入还不能良好的支持中文，不知是osx的问题还是lukeall的问题。 :(
一切都验证好了，我们来建一个搜索的站点罢。
>>
cd ~/japp/apache-tomcat-5.5.20/webapps
rm -rf *
mkdri ROOT
cd ROOT
cp $NUTCH_HOME/nutch-0.8.1.war .
jar xvf nutch-0.8.1.war
rm nutch-0.8.1.war
因为偶们会用中文查，所以需要把URI Encode改为UTF-8。编辑tomcat的conf目录中的server.xml，找到8080 port的connector段加入URIEncoding="UTF-8"，如下：
>>
<Connector port="8080" maxHttpHeaderSize="8192"
maxThreads="150" minSpareThreads="25" maxSpareThreads="75"
enableLookups="false" redirectPort="8443" acceptCount="100"
connectionTimeout="20000" disableUploadTimeout="true"
URIEncoding="UTF-8" />
来启动我们搜索站点罢：
>>
cd $NUTCH_HOME
~/japp/apache-tomcat-5.5.20/bin/startup.sh
打开浏览器，定位到 http://localhost:8080 ：
查询一下英文：
查询一下中文，我自己索引了一个中文站 :)
除了右上角出现了中文的乱码，其它好像都还不错哟。 :)
插入表情