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

• <update> nutch 1.2 + Ikanalyzer 3.2.* 方法

前言

• Nutch 1.0 + IK-Analyzer 3.1.6 中文分詞庫 的詳細方法
• 本篇參考 ​nutch-1.0中文分词（原文連結），並且修正與補充

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 ＝> 今天天氣真好
• 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

---

2. 單搜尋 心 這個字

---

3. 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 的下載位置

$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/

• 編譯剛編出來的 NutchAnalysis?.java

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

將

  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)