Açık kaynak bir web tarayıcı olan Apache Nutch için Google Cloud Search dizine ekleme eklentisini dağıtarak Google Cloud Search'i 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 dizine ekleme 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 |
Dizine ekleme eklentisini dağıtma
Aşağıdaki adımlarda, dizine ekleme eklentisinin nasıl yükleneceği ve bileşenlerinin, belirtilen URL'leri tarayacak ve sonuçları Cloud Search'a döndürecek şekilde nasıl yapılandırılacağı açıklanmaktadır.
Ön koşullar
Cloud Search Apache Nutch dizine ekleme 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 başlıklı makaleyi inceleyin.
- Google Workspace veri kaynağı kimliği. Veri kaynağı kimliği alma hakkında bilgi edinmek için Arama yapmak için veri kaynağı ekleme başlıklı makaleyi inceleyin.
1. Adım: Eklenti yazılımını ve Apache Nutch'ı derleyip yükleyin
Dizine ekleme eklentisi deposunu GitHub'dan kopyalayın.
$ git clone https://github.com/google-cloudsearch/apache-nutch-indexer-plugin.git $ cd apache-nutch-indexer-plugin
Dilediğiniz dizine ekleme eklentisi sürümüne göz atın:
$ git checkout tags/v1-0.0.5
Dizinleyici eklentisini oluşturun.
$ mvn package
Dizine ekleme eklentisini oluştururken testleri atlamak için
mvn package -DskipTests
değerini kullanın.Apache Nutch 1.15'i indirin ve Apache Nutch yükleme talimatlarını uygulayın.
target/google-cloudsearch-apache-nutch-indexer-plugin-v1.0.0.5.zip
dosyasını (2. adımda oluşturulur) 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 dizine ekleme eklentisini yapılandırmak için plugin-configuration.properties
adlı bir dosya oluşturun.
Yapılandırma dosyası, Google Cloud Search veri kaynağına erişmek için gerekli olan aşağıdaki parametreleri belirtmelidir.
Yer | Parametre |
Veri kaynağı kimliği | api.sourceId = 1234567890abcdef
Zorunlu. Google Workspace yöneticisinin dizine ekleme eklentisi için ayarladığı Google Cloud Search kaynak kimliği. |
Hizmet hesabı | api.serviceAccountPrivateKeyFile = ./PrivateKey.json
Zorunlu. Google Workspace yöneticisinin dizine ekleyen eklenti 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, dizine ekleme eklentisi davranışını kontrol eden diğer parametreleri de içerebilir. Eklentinin Cloud Search API'ye, defaultAcl.*
ve batch.*
'ye nasıl veri göndereceğini yapılandırabilirsiniz. Dilerseniz dizine ekleme eklentisinin meta verileri ve yapılandırılmış verileri nasıl dolduracağını da yapılandırabilirsiniz.
Bu parametrelerin açıklamaları için Google tarafından sağlanan bağlayıcı parametreleri başlıklı makaleyi inceleyin.
3. Adım: Apache Nutch'u yapılandırın
conf/nutch-site.xml
dosyasını açıp aşağıdaki parametreleri ekleyin:Yer Parametre Eklenti şunları içerir: plugin.includes = text
Zorunlu. Kullanılacak eklentilerin listesi. Bu açıklama en azından şunları içermelidir:
- index-basic
- index-more
- indexer-google-cloudsearch
conf/nutch-default.xml
bu özellik için varsayılan bir değer sağlar ancakindexer-google-cloudsearch
özelliğini de manuel olarak eklemeniz gerekir.Meta etiket adları metatags.names = text
İsteğe bağlı. İlgili veri kaynağının şemasındaki mülklerle eşleşen etiketlerin virgülle ayrılmış listesi. Apache Nutch'ı meta etiketler için ayarlama hakkında daha fazla bilgi edinmek isterseniz Nutch-parse metatags başlıklı makaleyi inceleyin.
Aşağıdaki örnekte,
nutch-site.xml
için 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
bağlantısını açıp 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:
Yer 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. Dizine ekleme eklentisinin, belge içeriğini Google Cloud Search dizine ekleme API'sine gönderdiği biçim. Geçerli değerler şunlardır:
raw
: dizine ekleme eklentisi, dönüştürülmemiş orijinal doküman içeriğini gönderir.text
: dizine ekleme eklentisi, ayıklanan metin içeriğini gönderir. Varsayılan değer:raw
.
4. Adım: Web tarama işlemini yapılandırın
Web taraması başlatmadan önce taramayı, yalnızca kuruluşunuzun arama sonuçlarında sunmak istediği bilgileri içerecek şekilde yapılandırın. Bu bölümde genel bilgiler verilmektedir. Web taramasının nasıl ayarlanacağı hakkında daha fazla bilgi için Nutch eğitim makalesine gidin.
Başlangıç URL'lerini 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 ulaşmasını sağlar. Başlangıç URL'leri gereklidir.
Başlangıç URL'lerini ayarlamak için:
Çalışma dizinini nutch yükleme dizini olarak değiştirin:
$ cd ~/nutch/apache-nutch-X.Y/
URL'ler için bir dizin oluşturun:
$ mkdir urls
seed.txt
adlı bir dosya oluşturun ve URL'leri satır başına 1 URL olacak şekilde listeleyin.
Takip ve takip etme kuralları oluşturun.
URL kuralları, hangi URL'lerin taranacağını ve Google Cloud Search dizine ekleneceğini kontrol eder. Web tarayıcısı, URL'leri aşağıdaki URL kurallarına göre kontrol eder: Yalnızca bu kurallarla eşleşen URL'ler taranır ve dizine eklenir.
"İzleme" kuralları, URL'lerin taranmasını ve Google Cloud Search dizine eklenmesini engeller. Bir URL'de taranmaması gerektiğini belirten bir kalıp varsa web tarayıcı bu URL'yi taramaz.
Takip ve takip etme URL kurallarını ayarlamak için:
Çalışma dizinini nutch yükleme dizini olarak değiştirin:
$ cd ~/nutch/apache-nutch-X.Y/
Takip/takip etmemeyi değiştirmek için
conf/regex-urlfilter.txt
'ü düzenleyin: \$ nano conf/regex-urlfilter.txt
Aşağıdaki örneklerde gösterildiği gibi, URL kalıplarını ve uzantılarını takip etmek / takip etmemek için "+" veya "-" öneki içeren normal ifadeler 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 eksikse veya "ham" olarak ayarlanmışsanutch index
komutuna iletilecek "-addBinaryContent -base64
" bağımsız değişkenleri eklemeniz gerekir. Bu bağımsız değişkenler, Nutch dizine ekleme modülüne dizine ekleme eklentisini çağırdığında ikili içeriği Base64 olarak eklemesini söyler. ./bin/crawl komut dosyasında varsayılan olarak bu bağımsız değişkenler yoktur.crawl
komut dosyasınıapache-nutch-1.15/bin
uygulamasında açın.Aşağıdaki örnekte gösterildiği gibi
-addBinaryContent -base64
seçeneklerini 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 tarama ve içerik yükleme işlemini başlatın
Dizine ekleme eklentisini yükleyip ayarladıktan sonra yerel modda kendi başına çalıştırabilirsiniz. Tarama işini veya ayrı Nutch komutlarını yürütmek için ./bin
'teki komut dosyalarını kullanın.
Aşağıdaki örnekte, gerekli bileşenlerin yerel dizinde bulunduğu varsayılmaktadır. Nutch'u 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 çıkışını yönlendirmek veya daha ayrıntılı günlük kaydı için conf/log4j.properties
dosyasını düzenleyin.