Trang này được dịch bởi Cloud Translation API.

Triển khai trình bổ trợ Apache Nutch Indexer

Bạn có thể thiết lập Google Cloud Search để phân phát nội dung trên web cho người dùng bằng cách triển khai trình bổ trợ trình lập chỉ mục Google Cloud Search cho Apache Nutch, một trình thu thập dữ liệu web nguồn mở.

Khi bạn bắt đầu thu thập thông tin trên web, Apache Nutch sẽ thu thập dữ liệu trên web và sử dụng trình bổ trợ trình lập chỉ mục để tải các phiên bản nhị phân (hoặc văn bản) gốc của nội dung tài liệu lên API lập chỉ mục của Google Cloud Search. API lập chỉ mục lập chỉ mục nội dung và phân phối kết quả cho người dùng của bạn.

Điểm quan trọng cần lưu ý

Yêu cầu hệ thống

Yêu cầu hệ thống
Hệ điều hành	Chỉ dành cho Linux: Ubuntu Red Hat Enterprise Linux 5.0 SUSE Enterprise Linux 10 (64 bit)
Phần mềm	Apache Nutch phiên bản 1.15. Phần mềm trình bổ trợ lập chỉ mục bao gồm cả phiên bản Nutch này. Java JRE 1.8 được cài đặt trên máy tính sẽ chạy trình bổ trợ lập chỉ mục
Các loại tài liệu Apache Tika	Các định dạng tài liệu được hỗ trợ trong Apache Tika 1.18

Triển khai trình bổ trợ lập chỉ mục

Các bước sau đây mô tả cách cài đặt trình bổ trợ lập chỉ mục và định cấu hình các thành phần của trình bổ trợ đó để thu thập thông tin các URL đã chỉ định và trả về kết quả cho Cloud Search.

Điều kiện tiên quyết

Trước khi triển khai trình bổ trợ lập chỉ mục Apache Nutch của Cloud Search, hãy thu thập thông tin cần thiết để kết nối Google Cloud Search với nguồn dữ liệu:

Khoá riêng tư của Google Workspace (chứa mã tài khoản dịch vụ). Để biết thông tin về cách lấy khoá riêng tư, hãy chuyển đến phần Định cấu hình quyền truy cập vào Google Cloud Search API.
Mã nguồn dữ liệu trên Google Workspace. Để biết thông tin về cách lấy mã nguồn dữ liệu, hãy chuyển đến bài viết Thêm nguồn dữ liệu để tìm kiếm.

Bước 1: Tạo và cài đặt phần mềm trình bổ trợ và Apache Nutch

Sao chép kho lưu trữ trình bổ trợ lập chỉ mục từ GitHub.

$ git clone https://github.com/google-cloudsearch/apache-nutch-indexer-plugin.git
$ cd apache-nutch-indexer-plugin

Xem phiên bản trình bổ trợ trình lập chỉ mục mong muốn:

$ git checkout tags/v1-0.0.5

Tạo trình bổ trợ lập chỉ mục.

$ mvn package

Để bỏ qua các bài kiểm thử khi tạo trình bổ trợ lập chỉ mục, hãy sử dụng mvn package -DskipTests.

Tải Apache Nutch 1.15 xuống rồi làm theo hướng dẫn cài đặt của Apache Nutch.
Trích xuất target/google-cloudsearch-apache-nutch-indexer-plugin-v1.0.0.5.zip (đã tạo ở bước 2) vào một thư mục. Sao chép thư mục plugins/indexer-google-cloudsearch vào thư mục Apache Nutch cài đặt trình bổ trợ (apache-nutch-1.15/plugins).

Bước 2: Định cấu hình trình bổ trợ lập chỉ mục

Để định cấu hình Trình bổ trợ Apache Nutch Indexer, hãy tạo một tệp có tên là plugin-configuration.properties.

Tệp cấu hình phải chỉ định các tham số cần thiết sau để truy cập vào nguồn dữ liệu Google Cloud Search.

Xem xét	Thông số
Mã nguồn dữ liệu	`api.sourceId = 1234567890abcdef` Bắt buộc. Mã nguồn trên Google Cloud Search mà quản trị viên Google Workspace đã thiết lập cho trình bổ trợ lập chỉ mục.
Tài khoản dịch vụ	`api.serviceAccountPrivateKeyFile = ./PrivateKey.json` Bắt buộc. Tệp khoá tài khoản dịch vụ Google Cloud Search mà quản trị viên Google Workspace đã tạo để hỗ trợ tiếp cận cho trình bổ trợ lập chỉ mục.

Ví dụ sau đây cho thấy một tệp cấu hình mẫu có các tham số bắt buộc.

#
# data source access
api.sourceId=1234567890abcdef
api.serviceAccountPrivateKeyFile=./PrivateKey.json
#

Tệp cấu hình cũng có thể chứa các tham số khác kiểm soát hành vi của trình bổ trợ trình lập chỉ mục. Bạn có thể định cấu hình cách trình bổ trợ đẩy dữ liệu vào Cloud Search API, defaultAcl.* và batch.*. Bạn cũng có thể định cấu hình cách trình bổ trợ lập chỉ mục điền siêu dữ liệu và dữ liệu có cấu trúc.

Để biết nội dung mô tả về các thông số này, hãy xem bài viết Tham số trình kết nối do Google cung cấp.

Bước 3: Định cấu hình Apache Nutch

Mở conf/nutch-site.xml rồi thêm các tham số sau:

Xem xét Thông số

Trình bổ trợ bao gồm

plugin.includes = text

Bắt buộc. Danh sách trình bổ trợ nên sử dụng. Thông tin này phải có ít nhất:

cơ bản về chỉ mục
lập chỉ mục thêm
lập chỉ mục-google-cloudsearch

conf/nutch-default.xml cung cấp giá trị mặc định cho thuộc tính này, nhưng bạn cũng phải tự thêm indexer-google-cloudsearch vào thuộc tính này.

Tên thẻ meta

metatags.names = text

Không bắt buộc. Danh sách các thẻ được phân tách bằng dấu phẩy liên kết với các thuộc tính trong giản đồ của nguồn dữ liệu tương ứng. Để tìm hiểu thêm về cách thiết lập Apache Nutch cho thẻ meta, hãy truy cập thẻ meta Nutch-parse.

Ví dụ sau đây minh hoạ yêu cầu sửa đổi đối với nutch-site.xml:

<property>
  <name>plugin.includes</name>
  <value>protocol-(http|httpclient)|urlfilter-regex|index-(basic|more| metadata)|query-(basic|site|url|lang)|indexer-google-cloudsearch|nutch-extensionpoints|parse-(text|html|msexcel|msword|mspowerpoint|pdf|metatags)|summary-basic|scoring-opic|urlnormalizer-(pass|regex|basic)|parse-(html|tika|metatags)|index-(basic|anchor|more|metadata)</value>
</property>

Mở conf/index-writers.xml và thêm phần sau:

<writer id="indexer_google_cloud_search_1" class="org.apache.nutch.indexwriter.gcs.GoogleCloudSearchIndexWriter">
  <parameters>
    <param name="gcs.config.file" value="path/to/sdk-configuration.properties"/>
  </parameters>
  <mapping>
    <copy />
    <rename />
    <remove />
  </mapping>
</writer>

Phần <writer> chứa các tham số sau:

Xem xét Thông số

Đường dẫn đến tệp cấu hình Google Cloud Search

gcs.config.file = path

Bắt buộc. Đường dẫn đầy đủ (tuyệt đối) đến tệp cấu hình Google Cloud Search.

Định dạng tải lên

gcs.uploadFormat = text

Không bắt buộc. Định dạng mà trình bổ trợ trình lập chỉ mục đẩy nội dung tài liệu tới API trình lập chỉ mục của Google Cloud Search. Các giá trị hợp lệ là:

raw: trình bổ trợ lập chỉ mục sẽ đẩy nội dung tài liệu gốc, chưa chuyển đổi.
text: trình bổ trợ lập chỉ mục sẽ đẩy nội dung văn bản được trích xuất. Giá trị mặc định là raw.

Bước 4: Định cấu hình tính năng thu thập thông tin trên web

Trước khi bạn bắt đầu thu thập dữ liệu trên web, hãy định cấu hình quá trình thu thập dữ liệu sao cho quá trình đó chỉ bao gồm thông tin mà tổ chức của bạn muốn cung cấp trong kết quả tìm kiếm. Phần này cung cấp thông tin tổng quan. Để biết thêm thông tin về cách thiết lập tính năng thu thập dữ liệu trên web, hãy truy cập hướng dẫn về Nutch.

Thiết lập URL bắt đầu.

Các URL bắt đầu kiểm soát vị trí mà trình thu thập dữ liệu web Apache Nutch bắt đầu thu thập thông tin nội dung của bạn. URL bắt đầu phải cho phép trình thu thập thông tin web truy cập tất cả nội dung bạn muốn đưa vào một lượt thu thập dữ liệu cụ thể bằng cách truy cập các đường liên kết. Bắt buộc phải có URL bắt đầu.

Để thiết lập URL bắt đầu, hãy làm như sau:
1. Thay đổi thư mục đang hoạt động thành thư mục cài đặt hạt:
```
$ cd ~/nutch/apache-nutch-X.Y/
```
2. Tạo thư mục cho các url:
```
$ mkdir urls
```
3. Tạo một tệp có tên seed.txt rồi liệt kê các URL trong tệp đó với 1 URL mỗi dòng.
Thiết lập các quy tắc tuân theo và không tuân theo.

Tuân thủ các quy tắc URL kiểm soát những URL nào được thu thập dữ liệu và đưa vào chỉ mục của Google Cloud Search. Trình thu thập dữ liệu web kiểm tra các URL theo các quy tắc URL tuân theo. Chỉ những URL phù hợp với các quy tắc này mới được thu thập dữ liệu và lập chỉ mục.

Các quy tắc không tuân theo sẽ loại trừ URL khỏi việc thu thập dữ liệu và đưa vào chỉ mục của Google Cloud Search. Nếu một URL chứa mẫu không thu thập thông tin, thì trình thu thập thông tin web sẽ không thu thập thông tin mẫu đó.

Cách thiết lập các quy tắc URL theo dõi và không tuân theo:
1. Thay đổi thư mục đang hoạt động thành thư mục cài đặt hạt:
```
$ cd ~/nutch/apache-nutch-X.Y/
```
2. Chỉnh sửa conf/regex-urlfilter.txt để thay đổi quy tắc theo dõi/không tuân theo: \
```
$ nano conf/regex-urlfilter.txt
```
3. Nhập các biểu thức chính quy có tiền tố "+" hoặc "-" để theo dõi / không theo dõi các mẫu URL và phần mở rộng, như trong ví dụ sau. Cho phép biểu thức mở.
```
# skip file extensions
-\.(gif|GIF|jpg|JPG|png|PNG|ico)

# skip protocols (file: ftp: and mailto:)
    -^(file|ftp|mailto):

# allow urls starting with https://support.google.com/gsa/
+^https://support.google.com/gsa/

# accept anything else
# (commented out due to the single url-prefix allowed above)
#+.
```
Chỉnh sửa tập lệnh thu thập thông tin.

Nếu tham số gcs.uploadFormat bị thiếu hoặc được đặt thành "thô", bạn phải thêm các đối số "-addBinaryContent -base64" để truyền vào lệnh nutch index. Các đối số này yêu cầu mô-đun Nutch Indexer đưa nội dung nhị phân vào Base64 khi gọi trình bổ trợ lập chỉ mục. Theo mặc định, tập lệnh ./bin/crawl không có các đối số này.
1. Mở tập lệnh crawl trong apache-nutch-1.15/bin.
2. Thêm các lựa chọn -addBinaryContent -base64 vào tập lệnh, như trong ví dụ sau:
```
      if $INDEXFLAG; then
          echo "Indexing $SEGMENT to index"
          __bin_nutch index $JAVA_PROPERTIES "$CRAWL_PATH"/crawldb -addBinaryContent -base64 -linkdb "$CRAWL_PATH"/linkdb "$CRAWL_PATH"/segments/$SEGMENT

          echo "Cleaning up index if possible"
          __bin_nutch clean $JAVA_PROPERTIES "$CRAWL_PATH"/crawldb
      else
          echo "Skipping indexing ..."
```

Bước 5: Bắt đầu thu thập dữ liệu trên web và tải nội dung lên

Sau khi cài đặt và thiết lập trình bổ trợ lập chỉ mục, bạn có thể chạy riêng trình bổ trợ đó ở chế độ cục bộ. Sử dụng các tập lệnh từ ./bin để thực thi một công việc thu thập dữ liệu hoặc các lệnh Nutch riêng lẻ.

Ví dụ sau giả định các thành phần bắt buộc đều nằm trong thư mục cục bộ. Chạy Nutch bằng lệnh sau trong thư mục apache-nutch-1.15:

$ bin/crawl -i -s urls/ crawl-test/ 5

Nhật ký thu thập dữ liệu có trên đầu ra std (thiết bị đầu cuối) hoặc trong thư mục logs/. Để định hướng kết quả ghi nhật ký hoặc để ghi nhật ký chi tiết hơn, hãy chỉnh sửa conf/log4j.properties.