Nutch1.2二次开发(关于中文分词)

http://www.cnblogs.com/streamhope/archive/2011/07/28/2119345.html

前言：作者(守望者MS)在实际搭建并开发Nutch的过程中参阅很多中文资料，但内容并不详尽且有错误，于是在此记录个人实战过程，纠正一些文章错误，以详细的过程展现一次简单的二次开发流程，为初学者降低门槛。但不能保证完全没有错误，如有发现希望大家指正。

一、开发环境介绍(以我个人为例)：

个人开发端：windows Server 2003 + Cygwin + Eclipse3.2

二、准备工作：

<1>.将Nutch导入eclipse，导入过程详情请点击查看文章

<2>.下载IKAnalyzer(http://code.google.com/p/ik-analyzer/downloads/list),本文采用的IKAnalyzer版本是3.2.8

<3>.下载Ant(http://ant.apache.org/bindownload.cgi)

<4>.下载Javacc(http://javacc.java.net/)

三、具体步骤：

注:在进行这些操作的之前请先将IKAnalyzer复制到nutch\lib文件夹下

并在eclipse的Nutch项目中添加这个jar包。

过程如下：

(1).先把工程刷新一下。

(2).右键工程名->build path –> configure build path

(3).在Libraries选项卡中点击add Jars，然后在你的工程的目录下lib文件中选择刚刚添加的IKAnalyzer3.2.8.jar。

<1>.在src/java/org/apache/nutch/analysis包下找到NutchAnalysis.jj

(1).在 PARSER_BEGIN(NutchAnalysis)部分的导入声明中增加如下段

import org.wltea.analyzer.lucene.IKTokenizer;

(2).在 TOKEN_MGR_DECLS : {    下面增加如下段

IKTokenizer Analyzer;

TermAttribute termAtt = null;//代表用空格分割器分出来的一个中文词

OffsetAttribute offAtt = null;//中文词开始结束标记

TokenStream stream = null;

private int cjkStartOffset = 0;//中文片段的起始位置定义

(3). 到 TOKEN : { 部分，找到| <SIGRAM: <CJK> >，这代表按字划分，修改为| <SIGRAM: (<CJK>)+ >

并在其后面加上

{ 
    if (stream == null) { 
                stream  = new IKTokenizer(new StringReader(image.toString()),true); 
                //stream = Analyzer.tokenStream("",new StringReader(image.toString())); 
                cjkStartOffset = matchedToken.beginColumn; 
                try { 
                    stream.reset(); 
                } catch (IOException e) { 
                    e.printStackTrace(); 
                } 
                termAtt = (TermAttribute) stream.addAttribute(TermAttribute.class); 
                offAtt = (OffsetAttribute) stream.addAttribute(OffsetAttribute.class); 
                try { 
                    if (stream.incrementToken() == false) 
                        termAtt = null; 
                } catch (IOException e) { 
                    // TODO Auto-generated catch block 
                    e.printStackTrace(); 
                } 
            } 
            if (termAtt != null && !termAtt.term().equals("")) { 
                matchedToken.image = termAtt.term(); 
                matchedToken.beginColumn = cjkStartOffset + offAtt.startOffset(); 
                matchedToken.endColumn = cjkStartOffset + offAtt.endOffset(); 
                try { 
                    if (stream.incrementToken() != false) 
                        input_stream.backup(1); 
                    else 
                        termAtt = null; 
                } catch (IOException e) { 
                    e.printStackTrace(); 
                } 
            } 
            if (termAtt == null || termAtt.term().equals("")) { 
                stream = null; 
                cjkStartOffset = 0; 
            } 
}

(4).将NutchAnalysis.jj复制到其他目录下，进行Javacc编译.

用javacc工具生成NutchAnalysis.jj的源代码，将生成的所有java源代码（7个文件）全部覆盖到 src/java/org/apache/nutch/analysis包下.

javacc的使用方法：cmd进入命令行，切换到NutchAnalysis.jj所在目录（最后把它拷贝到其它目录进行编译，如D盘），D:输入命令

javacc NutchAnalysis.jj

就会生成7个文件了。

(5).此时NutchAnalysis.java会报错

在两个位置加入ParseException异常捕捉命令(详情见图)

(6).修改完上面的你会发现org.apache.nutch.searcher包中的Query.java报错。

解决方法是找到报错的地方用try{}catch(){}语句抓住异常，不要抛出，否则接下来还要改很多文件。

<2>.修改src/java/org/apache/nutch/analysis包下的NutchDocumentAnalyzer

在private static Analyzer ANCHOR_ANALYZER;后面加上

private static Analyzer MY_ANALYZER;

在ANCHOR_ANALYZER = new AnchorAnalyzer();后面加上

MY_ANALYZER = new IKAnalyzer();

把 tokenStream修改为：

public TokenStream tokenStream(String fieldName, Reader reader) {

  Analyzer analyzer; 
        analyzer = MY_ANALYZER; 
        TokenStream tokenStream = analyzer.tokenStream(fieldName, reader);
        tokenStream.addAttribute(TypeAttribute.class);
        tokenStream.addAttribute(FlagsAttribute.class);
        tokenStream.addAttribute(PayloadAttribute.class);
        tokenStream.addAttribute(PositionIncrementAttribute.class);
        return tokenStream;

}

<3>.修改nutch/build.xml

(1). 在 <target name="war" depends="jar,compile,generate-docs"></target>的<lib>< /lib>之间<include name="log4j-*.jar"/> 下（約200行），加入下面的命令使的编译war文件的时候加入je-analysis的jar文件，注意IKAnalyzer3.2.8.jar的版本 号

<include name="IKAnalyzer3.2.8.jar"/>

(2).修 改<targe tname="job" depends="compile">，改为<target name="job" depends="compile,war">这样编译后能自动在bulid文件夹下生成nutch-1.2.job，nutch- 1.2.war,nutch-1.2.jar文件了。（注：不这样也可以，最后直接ant war, ant jar 就能生成nutch-1.2.war,nutch-1.2.jar）

<4>.Ant

cmd进入命令行，切换到nutch所在目录，执行ant命令，就会开始ant工作。完成后会在nutch目录下生成build目录。

在build文件夹中会生成三个文件，nutch-1.2.job、nutch-1.2.jar、nutch-1.2.war。

这三个文件用来替换你正式线上的Nutch目录下的文件。如果你只在本机做测试，那就用这三个文件代替根目录下的原来的三个同名文件即可。之后将nutch-1.2.war重新部署。测试成功。

<5>.分词后出现的问题

在重新部署后，你在搜索时会发现有时会出先空白页，有的句子、词输入进去无法查询。

针对与这个情况，查看tomcat log发现如下提示：

org.apache.catalina.core.StandardWrapperValve invoke
严重: Servlet.service() for servlet jsp threw exception
java.lang.StringIndexOutOfBoundsException: String index out of range: -3

解决方法：

在tomcat中部署的nutch目录下进入WEB-INF\classes

找到nutch-site.xml  在这里添加如下代码即可。

<property>
  <name>plugin.includes</name>
  <value>protocol-http|urlfilter-regex|parse-(text|html|js)|analysis-(zh)|index-basic|query-(basic|site|url)|summary-lucene|scoring-opic|urlnormalizer-(pass|regex|basic)</value>
</property>