Nutch


Nutch logoNutch est une initiative visant à construire un moteur de recherche open source. Il utilise Lucene comme bibliothèque de moteur de recherche et d’indexation. En revanche, le robot de collecte a été créé spécifiquement pour ce projet.

L’architecture de Nutch est hautement modulaire et permet à des développeurs de créer des plugins pour différentes phases du processus: récupération des données, analyse des documents, recherche, etc.

Doug Cutting est l’initiateur et le coordinateur de ce projet.

Il est entièrement développé en Java, mais les données qu’il manipule sont dans un format indépendant de tout langage de programmation. En juin 2003 a été présenté une version opérationnelle d’une démonstration de Nutch sur une base regroupant 100 millions de documents.

L’Oregon State University passe à Nutch

Depuis septembre 2004 l’Oregon State University remplace son pôle de recherche Googletm par Nutch. Cela lui permet de réaliser des réductions de coûts significatives et de promouvoir la transparence de ce moteur de recherche. Cette réduction est estimée à 100 000 $ par an selon l’Open Source Lab ([1]).

CreativeCommons.org s’appuye sur Nutch

Creative Commons inaugure en 2004 une beta version de son moteur de recherche qui parcoure le web à la recherche de texte, de son audio et de vidéo, indexant à cette date un million de page ; tout cela réutilisable librement selon les termes des licences mis à disposition sur leur site web. [2]

Leur moteur de recherche s’appuie le Resource Description Framework (RDF) qui utilise le méta-langage XML , standardisé par le World Wide Web Consortium (W3C).

Cette sortie coïncide avec celle du navigateur Web Mozilla Firefox dans sa version 1.0 rendant par la même possible la recherche de contenu libre.

Nutch rejoint Apache

En janvier 2005, Nutch est un projet de deux ans d’âge qui a d’abord été hébergé par Sourceforge et soutenu par sa propre organisation à but non lucratif. Cette organisation a été fondé dans le but de donner un copyright au projet et de pouvoir garder le droit de changer la licence. L’équipe a décidé que la licence Apache était la plus approprié pour Nutch et qu’il n’avait plus besoin de l’aide d’une organisation extérieure. Les dirigeants et les développeurs sont maintenant soutenus par la fondation Apache.

Après cinq mois d’incubation, Nutch devient un sous-projet de Lucene.

Évaluation du moteurrobot nutch

Publiée le 1er juin 2004, l’étude menée par Lyle Benedict présente une comparaison des résultats du célèbre Google et de son homologue libre Nutch dans le cadre restraint du site internet de l’Université de l’état de l’Oregon sur une base de 100 requêtes ([2]). Pour exemple, sur des notes allant de 0 à 10 où 10 est la meilleure note, elle a trouvé 28 requêtes par lequelles Nutch et Google ont obtenu la note maximale.

Contributions

Les contribution sont basées sur le mérite et le karma. Les contributeurs doivent s’inscire à une liste de diffusion pour savoir qui fait quoi et envoyer un court mail informant les autres de ce qu’ils vont faire. Quand le travail est fini, le bout de code est soumi à la liste de diffusion (ou attaché à un rapport de bug) afin que chaque contributeur puisse examiner sa qualité et sa pertinence ([3]).

Les critères d’acceptations sont:

  • une haute qualité (du code);
  • facilité de lecture;
  • facilité d’intégration;
  • cohérence avec les objectifs de Nutch.

Si tout est correct, le bout de code est inseré par les développeurs dans la base des sources et il devient partie intégrante de Nutch.

Articles connexes

Bibliographie

  • A Search Engine for Natural Language Applications. Michael J. Cafarella, Oren Etzioni. Proceedings of the 14th International World Wide Web Conference (WWW 2005).
  • Thwarting the nigritude ultramarine: learning to identify link spam. Isabel Drost and Tobias Scheffer. Proceedings of the 16th European Conference on Machine Learning (ECML 2005).
  • Query Chains: Learning to Rank from Implicit Feedback. Filip Radlinski and Thorsten Joachims. Proceedings of the ACM Conference on Knowledge Discovery and Data Mining (KDD), ACM, 2005.

Liens externes

  • (fr) Kelforum – Un moteur de recherche basé sur Nutch et PeerFactor.
  • (fr) Misterbot – Un moteur de recherche généraliste francophone basé sur Nutch.

Texte disponible sous GNU Free Documentation License.

Laisser un commentaire

Choisissez une méthode de connexion pour poster votre commentaire:

Logo WordPress.com

Vous commentez à l'aide de votre compte WordPress.com. Déconnexion / Changer )

Image Twitter

Vous commentez à l'aide de votre compte Twitter. Déconnexion / Changer )

Photo Facebook

Vous commentez à l'aide de votre compte Facebook. Déconnexion / Changer )

Photo Google+

Vous commentez à l'aide de votre compte Google+. Déconnexion / Changer )

Connexion à %s

«

»
%d blogueurs aiment cette page :