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

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
• ​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 {
  

• 把 IKAnalyzer3.1.6GA.jar 放到lib文件夹
  • 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/
cp ika/IKAnalyzer3.1.6GA.jar lib/
rm -rf IKAnalyzer3.1.6GA_AllInOne.rar ika/

• 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

• 接著將 build/classes 內的程式碼打包起來，建立nutch-1.0-ika.jar 函式庫
  • 補充：我有把預設的 nutch-site.xml 以及 nutch-default.xml放進去一起打包

    cd $nutch-1.0/build/classes
    jar cvf nutch-1.0-ika.jar .
    cp nutch-1.0-ika.jar /opt/nutchez/nutch/lib/
    

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/
sudo mv $my_nutch_dir/nutch-1.0.job $my_nutch_dir/nutch-1.0-ori.job
sudo cp build/nutch-1.0.job $my_nutch_dir/nutch-1.0-ika-waue-100715.job
cp build/nutch-1.0.job
sudo ln -sf $my_nutch_dir/nutch-1.0-ika-waue-100715.job $my_nutch_dir/nutch-1.0.job

• 把nutch-1.0.war重新生成的文件夾下lib中的nutch-1.0.jar，跟換成你新生成的 nutch-1.0.jar文件，還要放入ik分詞器的jar文件
• 最後爬取，搜索的結果就是按ik分過的中文詞

cd $nutch-1.0/
cp lib/IKAnalyzer3.1.6GA.jar $my_nutch_dir/lib/
cd $my_tomcat_dir/webapps/ROOT/WEB-INF/lib
cp $nutch-1.0/build/nutch-1.0-ika.jar ./
cp $nutch-1.0/lib/IKAnalyzer3.1.6GA.jar ./

完成

• 爬取後的資料就會依照中文分詞來分。
• 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