Açık kaynak bir web tarayıcısı olan Apache Nutch için Google Cloud Search dizinleyici eklentisini dağıtarak, Google Cloud Search'ü kullanıcılarınıza web içeriği sunacak şekilde ayarlayabilirsiniz.
Web taramasını başlattığınızda Apache Nutch, web’i tarar ve belge içeriğinin orijinal ikili (veya metin) sürümlerini Google Cloud Search dizine ekleme API'sine yüklemek için dizinleyici eklentisini kullanır. Dizine ekleme API'si içeriği dizine ekler ve sonuçları kullanıcılarınıza sunar.
Dikkat edilmesi gerekenler
Sistem gereksinimleri
Sistem gereksinimleri | |
---|---|
İşletim sistemi | Yalnızca Linux:
|
Yazılım |
|
Apache Tika belge türleri | Apache Tika 1.18 tarafından desteklenen belge biçimleri |
Dizin oluşturucu eklentisini dağıtma
Aşağıdaki adımlarda, dizinleyici eklentisinin nasıl yükleneceği ve bileşenlerinin, belirtilen URL'leri tarayıp sonuçları Cloud Search'e döndürecek şekilde nasıl yapılandırılacağı açıklanmaktadır.
Ön koşullar
Cloud Search Apache Nutch dizin aracı eklentisini dağıtmadan önce, Google Cloud Search ile veri kaynağını bağlamak için gereken bilgileri toplayın:
- Google Workspace özel anahtarı (hizmet hesabı kimliğini içerir). Özel anahtar edinme hakkında bilgi edinmek için Google Cloud Search API'ye erişimi yapılandırma bölümüne gidin.
- Google Workspace veri kaynağı kimliği. Veri kaynağı kimliği alma hakkında bilgi edinmek için Aramaya veri kaynağı ekleme başlıklı makaleyi inceleyin.
1. Adım: Eklenti yazılımını ve Apache Nutch'ı derleyin ve yükleyin
GitHub'dan dizinleyici eklenti deposunu klonlayın.
$ git clone https://github.com/google-cloudsearch/apache-nutch-indexer-plugin.git $ cd apache-nutch-indexer-plugin
Dizin oluşturucu eklentisinin istediğiniz sürümünü kontrol edin:
$ git checkout tags/v1-0.0.5
Dizin oluşturucu eklentisini oluşturun.
$ mvn package
Dizin oluşturucu eklentisini oluştururken testleri atlamak için
mvn package -DskipTests
kullanın.Apache Nutch 1.15'i indirin ve Apache Nutch yükleme talimatlarını uygulayın.
2. adımda oluşturulan
target/google-cloudsearch-apache-nutch-indexer-plugin-v1.0.0.5.zip
dosyasını bir klasöre çıkarın.plugins/indexer-google-cloudsearch
klasörünü Apache Nutch yükleme eklentileri klasörüne (apache-nutch-1.15/plugins
) kopyalayın.
2. Adım: Dizine ekleme eklentisini yapılandırın
Apache Nutch Indexer eklentisini yapılandırmak için plugin-configuration.properties
adlı bir dosya oluşturun.
Yapılandırma dosyası, Google Cloud Search veri kaynağına erişmek için gerekli olan aşağıdaki parametreleri belirtmelidir.
Ayar | Parametre |
Veri kaynağı kimliği | api.sourceId = 1234567890abcdef
Zorunlu. Google Workspace yöneticisinin dizinleyici eklentisi için oluşturduğu Google Cloud Search kaynak kimliği. |
Hizmet hesabı | api.serviceAccountPrivateKeyFile = ./PrivateKey.json
Zorunlu. Google Workspace yöneticisinin, dizin aracı eklentisi erişilebilirliği için oluşturduğu Google Cloud Search hizmet hesabı anahtar dosyası. |
Aşağıdaki örnekte, gerekli parametreleri içeren örnek bir yapılandırma dosyası gösterilmektedir.
#
# data source access
api.sourceId=1234567890abcdef
api.serviceAccountPrivateKeyFile=./PrivateKey.json
#
Yapılandırma dosyası, dizinleyici eklentisinin davranışını kontrol eden başka parametreler de içerebilir. Eklentinin verileri Cloud Search API'ye (defaultAcl.*
ve batch.*
) nasıl aktaracağını yapılandırabilirsiniz. Ayrıca, dizinleyici eklentisinin meta verileri ve yapılandırılmış verileri nasıl dolduracağını yapılandırabilirsiniz.
Bu parametrelerin açıklamaları için Google tarafından sağlanan bağlayıcı parametreleri bölümüne gidin.
3. Adım: Apache Nutch'i yapılandırın
conf/nutch-site.xml
dosyasını açın ve aşağıdaki parametreleri ekleyin:Ayar Parametre Eklenti şunları içerir: plugin.includes = text
Zorunlu. Kullanılacak eklentilerin listesi. Bu açıklama en azından aşağıdakini içermelidir:
- dizin-temel
- dizin-fazlası
- dizin-cisi-google-cloud-aramasi
conf/nutch-default.xml
, bu mülk için varsayılan bir değer sağlar ancak bu mülkeindexer-google-cloudsearch
değerini manuel olarak da eklemeniz gerekir.Meta etiket adları metatags.names = text
İsteğe bağlı. İlgili veri kaynağının şemasındaki özelliklerle eşlenen etiketlerin virgülle ayrılmış listesi. Meta etiketler için Apache Nutch'u nasıl ayarlayacağınız hakkında daha fazla bilgi edinmek için Nutch ayrıştırma meta etiketleri bölümüne gidin.
Aşağıdaki örnekte,
nutch-site.xml
üzerinde yapılması gereken değişiklik gösterilmektedir:<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>
conf/index-writers.xml
uygulamasını açın ve aşağıdaki bölümü ekleyin:<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>
<writer> bölümü aşağıdaki parametreleri içerir:
Ayar Parametre Google Cloud Search yapılandırma dosyasının yolu gcs.config.file = path
Zorunlu. Google Cloud Search yapılandırma dosyasının tam (mutlak) yolu.
Yükleme biçimi gcs.uploadFormat = text
İsteğe bağlı. Dizin oluşturucu eklentisinin, doküman içeriğini Google Cloud Search dizinleyici API'sine aktarma biçimi. Valid values are:
raw
: Dizine ekleme eklentisi, orijinal, dönüştürülmemiş doküman içeriğini aktarır.text
: Dizin oluşturucu eklentisi, çıkarılan metin içeriğini aktarır. Varsayılan değer:raw
.
4. Adım: Web taramasını yapılandırın
Web taraması başlatmadan önce, taramayı yalnızca kuruluşunuzun arama sonuçlarında kullanılabilir hale getirmek istediği bilgileri içerecek şekilde yapılandırın. Bu bölümde genel bir bakış sunulmaktadır. Web taramasını ayarlama hakkında daha fazla bilgi için Nutch eğitimine gidin.
Başlangıç URL'leri ayarlayın.
Başlangıç URL'leri, Apache Nutch web tarayıcısının içeriğinizi taramaya nereden başlayacağını kontrol eder. Başlangıç URL'leri, web tarayıcısının bağlantıları izleyerek belirli bir taramaya dahil etmek istediğiniz tüm içeriğe erişebilmesini sağlamalıdır. Başlangıç URL'leri gerekiyor.
Başlangıç URL'leri oluşturmak için:
Çalışma dizinini nutch yükleme diziniyle değiştirin:
$ cd ~/nutch/apache-nutch-X.Y/
URL'ler için bir dizin oluşturun:
$ mkdir urls
seed.txt
adlı bir dosya oluşturun ve her satırda 1 URL olacak şekilde içindeki URL'leri listeleyin.
Takip etme ve izlememe kuralları oluşturun.
URL kurallarına göre taranan ve Google Cloud Search dizinine eklenecek URL'ler kontrol edilir. Web tarayıcısı, URL'leri aşağıdaki URL kurallarına göre kontrol eder. Yalnızca bu kurallarla eşleşen URL'ler taranır ve dizine eklenir.
"Uymama" kuralları, URL'lerin taranmasını ve Google Cloud Search dizinine dahil edilmesini engeller. Bir URL, tarama kalıbı içeriyorsa web tarayıcısı bu URL'yi taramaz.
Takip etme ve izlememe URL'leri oluşturmak için:
Çalışma dizinini nutch yükleme diziniyle değiştirin:
$ cd ~/nutch/apache-nutch-X.Y/
Takip et/uyma kurallarını değiştirmek için
conf/regex-urlfilter.txt
öğesini düzenleyin: \$ nano conf/regex-urlfilter.txt
URL kalıplarını ve uzantılarını takip etmek / takip etmemek için "+" veya "-" ön ekine sahip normal ifadeleri aşağıdaki örneklerde gösterildiği gibi girin. Açık uçlu ifadelere izin verilir.
# 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) #+.
Tarama komut dosyasını düzenleyin.
gcs.uploadFormat
parametresi yoksa veya "ham" olarak ayarlanmışsanutch index
komutuna iletilecek "-addBinaryContent -base64
" bağımsız değişkenlerini eklemeniz gerekir. Bu bağımsız değişkenler, dizinleyici eklentisini çağırdığında Nutch Indexer modülüne, Base64'teki ikili programların dahil edileceğini bildirir. ./bin/crawl komut dosyasında varsayılan olarak bu bağımsız değişkenler bulunmaz.crawl
komut dosyasınıapache-nutch-1.15/bin
uygulamasında aç.-addBinaryContent -base64
seçeneklerini, aşağıdaki örnekte olduğu gibi komut dosyasına ekleyin: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 ..."
5. Adım: Web taraması ve içerik yükleme başlatın
Dizin oluşturucu eklentisini yükleyip ayarladıktan sonra, yerel modda kendi başına çalıştırabilirsiniz. Bir tarama işi veya bağımsız Nutch komutlarını yürütmek için ./bin
komut dosyalarını kullanın.
Aşağıdaki örnekte, gerekli bileşenlerin yerel dizinde bulunduğu varsayılmaktadır. Nutch'i apache-nutch-1.15
dizininden aşağıdaki komutla çalıştırın:
$ bin/crawl -i -s urls/ crawl-test/ 5
Tarama günlükleri std çıkışında (terminal) veya logs/
dizininde bulunur. Günlük kaydı çıkışını yönlendirmek veya daha ayrıntılı günlük kaydı için conf/log4j.properties
öğesini düzenleyin.