第一部分网页下载1、下载nutch1.2（其实是apache-nutch-1.2-bin）解压开到有nutch-1.2.war，这个用来在tomcat部署运行。2、安装cygwin。一个在windows平台模拟linux环境的工具，因为nutch用到了shell脚本，安装cygwin保证了可以在windows下操作，并且不用担心联网问题。我安装在D:\cygwin3、把nutch-1.2文件夹重命名为nutch。我存放在D:\cygwin\usr\local其中crawled文件夹和cral.log文件是后来生成的，后面提及。4、修改crawl-urlfilter.txt。找到：#accepthostsinMY.DOMAIN.NAME+^http://([a-z0-9]*\.)*MY.DOMAIN.NAME/改为：#accepthostsinMY.DOMAIN.NAME+^http://([a-z0-9]*\.)*qq.com/网址随便你设定，这就是抓取的网址。如下图：5、修改nutch-default.xml。找到如下图，在<value></value>之间添加nutch。6、配置NUTCH_JAVA_HOME。因为nutch要关联jdk。新建一个环境变量：变量名：NUTCH_JAVA_HOME变量值：E：\ruanjian\jdk（注意：这是我安装jdk的目录，而不是配置jdk的环境变量：E：\ruanjian\jdk\bin）建立如下图：至此，配置完毕！7、建立要抓取的url文件。我是在D:\cygwin\usr\local\nutch（即在nutch目录下建立url.txt）。里面写要抓取的url的名称，每个url必定要在末尾加上“/”。例如：http://www.qq.com/8、抓取网页。进入nutch目录。输入如下命令：bin/nutchcrawlurl.txt-dircrawled-depth3-threads10-topN50>&crawl.logurl.txt指url文件-dircrawled抓取网页存储的文件夹。crawled文件夹可以不用自己建，没有的话自动生成的。crawldb和segments文件夹也是抓取网页过程中生成的。-depth3抓取深度为3-threads10线程总数为10crawl.log文件也是在抓取过程当中生成的。如下截图命令。敲完要等待抓取……第一部分结束。第二部分网页内容搜索在开始这部分内容之前，首先确认D:\cygwin\usr\local\nutch\crawled路径下，即存放下载网页文件夹crawled里面的index，indexes，linkdb，文件夹在下载网页过程当中自动被创建，并且下载有内容。因为这些内容在网页搜索过程当中作为索引。例如：我的index文件夹有这些内容。其他indexes，linkdb文件夹也有内容。如果这些都完美解决，那就开始第二部分。1、安装tomcat。因为这个是javaweb的搜索引擎。网上大把教程。我把tomcat安装在E盘，结果如下图：2、把nutch目录下的nutch-1.2.war文件复制到E:\Tomcat\webapps下，就是webapps文件夹里面。这是web的运行目录。Tomcat运行后自动解压nutch-1.2.war，生成nutch-1.2文件夹。里面就是nutch的运行文件。为了省事我特意把nutch-1.2重命名为nutch打开nutch文件夹，看到如下文件。再进入E:\Tomcat\webapps\nutch\WEB-INF\classes，即classes文件夹。打开nutch-site.xml，在<configuration></configuration>之间添加<property><name>searcher.dir</name><value>D:\\cygwin\\usr\\local\\nutch\\crawled</value><description>Pathtorootofcrawl.Thisdirectoryissearched(inorder)foreitherthefilesearch-servers.txt,containingalistofdistributedsearchservers,orthedirectory"index"containingmergedindexes,orthedirector