Changes between Initial Version and Version 1 of waue/2010/0715

Timestamp:

Jul 15, 2010, 7:01:41 PM (15 years ago)

Author:

waue

Comment:

--

waue/2010/0715

@@ +1 @@
+{{{
+#!html
+<div style="text-align: center; color:#151B8D"><big style="font-weight: bold;"><big><big>
+讓 Nutch 支援中文分詞 方法教學
+</big></big></big></div> <div style="text-align: center; color:#7E2217"><big style="font-weight: bold;"><big>
+Nutch 1.0 + IK-Analyzer 3.1.6 中文分詞庫
+</big></big></div>
+}}}
+[[PageOutline]]
+
+= 前言 =
+
+ * Nutch 1.0 + IK-Analyzer 3.1.6 中文分詞庫 的詳細方法
+ * 本篇參考 [http://zha-zi.javaeye.com/blog/625619 nutch-1.0中文分词（原文連結）]，並且修正與補充
+ * [http://ftp.twaren.net/Unix/Web/apache/nutch/ 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 || 如：/home/user/nutch-1.0/ ||
+
+= 1. 安裝 =
+ * 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 
+}}}
+
+{{{
+#!text
+| <SIGRAM: (<CJK>)+ >
+}}}
+
+ * 用編譯器 javacc 編譯出七個java檔
+   {{{
+#!text
+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：
+{{{
+#!text
+  public static Query parseQuery(String queryString, Configuration conf) throws IOException,ParseException
+}}}
+   * 在第54行加入ParseException：
+{{{
+#!text
+    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
+   {{{
+#!text
+  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 
+{{{
+#!text
+  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
+}}}
+
+{{{
+#!text
+<include name="IKAnalyzer3.1.6GA.jar"/>
+}}}
+
+ * 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
+
+{{{
+cd nutch-1.0
+sudo mv /opt/nutchez/nutch/nutch-1.0.job /opt/nutchez/nutch/nutch-1.0-ori.job
+sudo cp build/nutch-1.0.job /opt/nutchez/nutch/nutch-1.0-ika-waue-100715.job
+cp build/nutch-1.0.job
+sudo ln -sf /opt/nutchez/nutch/nutch-1.0-ika-waue-100715.job /opt/nutchez/nutch/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 /opt/nutchez/nutch/lib/
+
+cd /opt/nutchez/tomcat/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