wiki:waue/2010/0715
讓 Nutch 支援中文分詞 方法教學
Nutch 1.0 + IK-Analyzer 3.1.6 中文分詞庫

Change Log

前言

何謂中文分詞

中文自動分詞指的是使用計算機自動對中文文本進行詞語的切分,即像英文那樣使得中文句子中的詞之間有空格以標識。中文自動分詞被認為是中文自然語言處理中的一個最基本的環節。

簡單來說,以"今天天氣真好"這段字而言,若搜尋"氣真"

  • 沒有中文分詞的結果為:1筆 => 今天天氣真
  • 有中文分詞:0筆 (因為詞庫為今天、天天、天氣、真、真好、好)

下面的例子即為,透過完成括充中文分詞(ik-analyzer)之後的nutch搜尋引擎,對"國家高速網路中心"的首頁(http://www.nchc.org.tw/tw/) 作資料爬取,並以此為搜尋資料庫。

搜尋"中心"兩字 有74筆資料,但搜尋單一一個"心"字只有 4筆資料;反觀若是沒有經過中文分詞,則單搜尋"心"必定比搜尋"中心"的資料更多


  1. 搜尋 中心 這個字串


  1. 單搜尋 心 這個字


  1. 搜尋 "冀此" 或單獨 "冀" 都沒有資料

ps : 搜尋"希冀"才會有資料


方法

$nutch-1.0/ 你下載nutch-1.0 並解壓縮的資料夾目錄位址,也是用來重編nutch的資料夾 如:/home/user/nutch-1.0/
$my_nutch_dir 原有的nutch資料夾,接著會被擴充ika中文詞庫 /opt/nutchez/nutch/
$my_tomcat_dir 原本被用來放nutch網頁(在tomcat內)的資料夾 /opt/nutchez/tomcat

修改程式碼

  • 安裝必要工具(java 已經安裝)
sudo apt-get install javacc unrar ant
  • 修改NutchAnalysis.jj 約130行左右的程式碼 (原本為:| <SIGRAM: <CJK> >)
cd $nutch-1.0/
vim src/java/org/apache/nutch/analysis/NutchAnalysis.jj 
| <SIGRAM: (<CJK>)+ >
  • 用編譯器 javacc 編譯出七個java檔
    CharStream.java              NutchAnalysisTokenManager.java  TokenMgrError.java
    NutchAnalysisConstants.java  ParseException.java
    NutchAnalysis.java           Token.java
    
cd $nutch-1.0/src/java/org/apache/nutch/analysis
javacc -OUTPUT_DIRECTORY=./ika/ NutchAnalysis.jj
mv ./ika/* ./ ; rm -rf ./ika/
vim $nutch-1.0/src/java/org/apache/nutch/analysis/NutchAnalysis.java
  • 在第48行加入ParseException:
  public static Query parseQuery(String queryString, Configuration conf) throws IOException,ParseException
  • 在第54行加入ParseException:
        throws IOException,ParseException {
    
  • 下載 IKAnalyzer3.1.6GA.jar 解壓縮
    • nutch 1.0 用的是 lucene 2.4.0 hadoop 0.19
    • 因此ik分詞器最新僅能用 3.1.6ga (3.2.0GA 以上版本只支援lucene 2.9以上版本)
cd $nutch-1.0/
wget http://ik-analyzer.googlecode.com/files/IKAnalyzer3.1.6GA_AllInOne.rar
mkdir ika
unrar x ./IKAnalyzer3.1.6GA_AllInOne.rar ika/
  • 分別放到以下三個資料夾
$nutch-1.0/lib/ 用來重新編譯nutch
$my_nutch_dir/lib/ 用來給 nutch 進行 crawl時所匯入函式庫
$my_tomcat_dir/webapps/ROOT/WEB-INF/lib 用來給網頁的搜尋介面使用的函式庫
cp ika/IKAnalyzer3.1.6GA.jar lib/
cp $nutch-1.0/lib/IKAnalyzer3.1.6GA.jar $my_nutch_dir/lib/
cp $nutch-1.0/lib/IKAnalyzer3.1.6GA.jar $my_tomcat_dir/webapps/ROOT/WEB-INF/lib
  • 修改 NutchDocumentAnalyzer.java 程式碼
cd $nutch-1.0/
vim src/java/org/apache/nutch/analysis/NutchDocumentAnalyzer.java

  public TokenStream tokenStream(String fieldName, Reader reader) {
    Analyzer analyzer;
    if ("anchor".equals(fieldName))
      analyzer = ANCHOR_ANALYZER;
    else
      analyzer = CONTENT_ANALYZER;

    return analyzer.tokenStream(fieldName, reader);
  }

修改成

  public TokenStream tokenStream(String fieldName, Reader reader) {
    Analyzer analyzer = new org.wltea.analyzer.lucene.IKAnalyzer();
    return analyzer.tokenStream(fieldName, reader);
  }
  • 修改 build.xml,在 <include name="log4j-*.jar"/> 下(約195行),加入
cd $nutch-1.0/
vim build.xml
<include name="IKAnalyzer3.1.6GA.jar"/>

重編 nutch

  • 重新編譯 nutch-1.0
ant
  • 完成則多一個資料夾 build,
    • build/ 目錄裡面的 nutch-job-1.0.job 就是重編後的核心
ant jar; ant war
  • 分別產生 build/nutch-xxx.jar 與 build/nutch-xxx.war

開始使用

  • 最後,將nutch-job-1.0.jar複製到我的nutchez資料夾內取代使用
    • (下面的步驟小心的把原本的job作備份,也可以不用,改用新編出來的直接取代)
cd $nutch-1.0/
mv $my_nutch_dir/nutch-1.0.job $my_nutch_dir/nutch-1.0-ori.job
cp build/nutch-1.0.job $my_nutch_dir/nutch-1.0-ika-waue-100715.job
ln -sf $my_nutch_dir/nutch-1.0-ika-waue-100715.job $my_nutch_dir/nutch-1.0.job
  • 把nutch-1.0.war(原本nutch附的即可),解壓縮後放在你的tomcat目錄內(以下用 $my_tomcat_dir 代表我tomcat的實際目錄)的/webapps/ROOT/中,並且再把"IKAnalyzer3.1.6GA.jar"、新編的 "nutch-1.0.jar" 放進 $my_tomcat_dir/webapps/ROOT/WEB-INF/lib 還有 $my_nutch_dir/lib/ 內
cd $nutch-1.0/

cp $nutch-1.0/build/ $my_nutch_dir/lib/

cd $my_tomcat_dir/webapps/ROOT/WEB-INF/lib
cp $nutch-1.0/build/nutch-1.0.jar ./
cp $nutch-1.0/lib/IKAnalyzer3.1.6GA.jar ./
  • 最後用nutch 的 crawl 抓取網頁,搜索的結果就是按ik分過的中文詞

完成

  • 爬取後的資料就會依照中文分詞來分。
  • 中文分詞之後的結果並不會比較多,反而更少。但是精簡過後的搜尋結果才能提供更準確的搜尋內容。

選項:加入字典檔

將 nutch-*.job 的檔案,用zip 工具解開,並將以下兩個檔案放入nutch-*.job 中即可

  • IKAnalyzer.cfg.xml
    <properties>  
      <comment>IK Analyzer</comment>
      <entry key="ext_dict">/mydic.dic</entry> 
    </properties>
    
  • mydic.doc
    國家高速
    國家高速網路
    國家高速網路與計算中心
    

勘誤

以下列出在網路上看到但試過沒用的解法

  • 接著將 build/classes 內的程式碼打包起來,建立nutch-1.0-ika.jar 函式庫 (麻煩,根本不需要)
    cd $nutch-1.0/build/classes
    jar cvf nutch-1.0-ika.jar .
    cp nutch-1.0-ika.jar /opt/nutchez/nutch/lib/
    
  • 即使用原始的nutch所crawl下來的資料,將 重編後的nutch-1.0.jar nutch-1.0.job IKAnalyzer3.1.6 正確放到你原本的nutch搜尋網頁中,重新啟動tomcat後,也可直接享用有分詞的結果 (不正確)
  • 將 IKAnalyzer3.1.6GA.jar 的 /org/wltea/analyzer/dic/ 資料夾內 ,放入你要得字典檔,可以參考同資料夾內的 main.dic (不正確,沒用)
Last modified 9 years ago Last modified on Sep 1, 2011, 10:06:39 AM

Attachments (4)

Download all attachments as: .zip