經(jīng)過(guò)了幾天的折磨solr，公司又要求修改以前的一個(gè) nutch項(xiàng)目，這次修改的東西比較多了，涉及到索引字段和日期索引等，這個(gè)我們下次再講，今天我們來(lái)講一下nutch的中文分詞。這時(shí)，我還是用了 IKAnalyzer，再次感謝作者的辛勞。提醒一下，這時(shí)用到的NUTCH是1.2版本。大智慧打不開(kāi)

廢話不多說(shuō)，我們現(xiàn)在開(kāi)始進(jìn)入正題：

1）在我們修改之前，我們先去下載一個(gè)工具,javacc，一個(gè)JAVA編譯器，可以到這里來(lái)下載，http://java.net/projects/javacc/downloads，下載完成后當(dāng)然要解壓啦（廢話，呵呵），然后設(shè)置path把解壓的路徑添加到后面，確定可以從cmd進(jìn)入。

2）我們需要添加中文分詞，首先需要找到 org.apache.nutch.analysis包內(nèi)的NutchAnalysis.jj這個(gè)文件，找到| <SIGRAM: <CJK> >，把它修改為<SIGRAM: (<CJK>)+ >。

3）當(dāng)我們修改完成后，我們需要把它進(jìn)行重新編譯，我們先把 NutchAnalysis.jj拷到另外一個(gè)文件夾，免得生成的文件跟原有文件混淆了。在cmd中進(jìn)行拷貝的文件夾，例如我們拷到temp，在temp 目錄內(nèi)運(yùn)行javacc NutchAnalysis.jj這個(gè)命令，它會(huì)在當(dāng)前目錄下生成好幾個(gè)文件，把這幾個(gè)文件復(fù)制到org.apache.nutch.analysis包 內(nèi)(文件列表如下)，直接覆蓋即可：

注意，生成的文件NutchAnalysis.java會(huì)有錯(cuò)誤，只要拋出異常即可。

修改完這時(shí)后，summary-basic的main函數(shù)會(huì)報(bào)錯(cuò)，同樣也是異常的拋出問(wèn)題，只要在這時(shí)進(jìn)行捕獲就可以了。

代碼修改如下：

Java代碼  

1.  Query query = null;  
2. try {  
3.     query = Query.parse(queryBuf.toString(), conf);  
4. } catch (ParseException e) {  
5.     // TODO Auto-generated catch block  
6.     e.printStackTrace();  
7. }  

4）當(dāng)我們修改完成后，剩下來(lái)的一個(gè)就是修改NutchDocumentAnalyzer.java中的tokenStream()方法，修改如下：

Java代碼  

1. public TokenStream tokenStream(String fieldName, Reader reader) {  
2.     Analyzer analyzer;  
3.     /*if ("anchor".equals(fieldName)) 
4.       analyzer = ANCHOR_ANALYZER; 
5.     else 
6.       analyzer = CONTENT_ANALYZER;*/  
7.     analyzer = new IKAnalyzer();  
8.     TokenStream tokenStream = analyzer.tokenStream(fieldName,reader);  
9.     tokenStream.addAttribute(TypeAttribute.class);  
10.     tokenStream.addAttribute(FlagsAttribute.class);  
11.     tokenStream.addAttribute(PayloadAttribute.class);  
12.     tokenStream.addAttribute(PositionIncrementAttribute.class);  
13.   
14.     return tokenStream;  
15.   }  

這時(shí)是添加IKAnalyzer作為分詞器，當(dāng)然需要先把這個(gè)添加到lib目錄下。

5）完成完上面的步驟，也許有些人就以為搞定了，但事情并沒(méi)這么簡(jiǎn)單，也許當(dāng)我們搜索的時(shí)候會(huì)突然報(bào)出一個(gè)什么沒(méi)有該Field的錯(cuò)誤，有點(diǎn)抱歉，這個(gè)錯(cuò)誤不能重現(xiàn)了。

如果查詢時(shí)報(bào)什么錯(cuò)誤，我們可以試著在summary-basic插件的源碼中修改如下：

添加修改getSummary方法：

Java代碼  

1. if (highlight.contains(t.term())) {  
2.             excerpt.addToken(t.term());  
3.             if(offset < t.startOffset()){  
4.                 excerpt.add(new Fragment(text.substring(offset, t.startOffset())));  
5.                 excerpt.add(new Highlight(text.substring(t.startOffset(),t.endOffset())));  
6.             }else{  
7.                 excerpt.add(new Highlight(text.substring(offset,t.endOffset())));  
8.             }  
9.             offset = t.endOffset();  
10.             endToken = Math.min(j + sumContext, tokens.length);  
11.           }  

  添加的為這段代碼

Java代碼  

1. if(offset < t.startOffset()){  
2.             excerpt.add(new Fragment(text.substring(offset, t.startOffset())));  
3.             excerpt.add(new Highlight(text.substring(t.startOffset(),t.endOffset())));  
4.            }else{  
5.             excerpt.add(new Highlight(text.substring(offset,t.endOffset())));  
6.            }  

  這是修改getSummary時(shí)會(huì)出現(xiàn)數(shù)組溢出的錯(cuò)誤。

當(dāng)完成這一系列操作之后，我們就可以在nutch目錄中用ant命令進(jìn)行編譯。編譯會(huì)重新生成所有jar包和job包。可以在build目錄下找到。

我們需要把最主要的nutch-X.jar和nutch-X.job拷貝到需要進(jìn)行爬取和nutch目錄下進(jìn)行覆蓋。（其中的X為nutch的版本）

接下來(lái)，我們就可以重新運(yùn)行nutch crawl urls -dir crawl -depth 4 -threads 10 -topN 50 >&crawl.log，這樣生成的索引就已經(jīng)是經(jīng)過(guò)中文分詞的。