Ubuntu环境下：Nutch1.2 二次开发（中文分词）
前提nutch1.2已部署到eclipse中
详见：http://www.cnblogs.com/cy163/archive/2013/02/19/2916419.html
1 部署IKAnalyzer3.2.8
1.1 下载IKAnalyzer3.2.8
1.2 将IKAnalyzer3.2.8复制到nutch/lib中，并在eclipse中添加该jar
2 修改analysis源码
2.1 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：
import org.wltea.analyzer.lucene.IKTokenizer;
（2）在 TOKEN_MGR_DECLS中增加：
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）在 TOKEN 部分，找到| <SIGRAM: <CJK> >，这代表按字划分，修改为| <SIGRAM: (<CJK>)+ >
再在后面加上：
1 { 2 if (stream == null) { 3 stream = new IKTokenizer(new StringReader(image.toString()),true); 4 //stream = Analyzer.tokenStream("",new StringReader(image.toString())); 5 cjkStartOffset = matchedToken.beginColumn; 6 try { 7 stream.reset(); 8 } catch (IOException e) { 9 e.printStackTrace(); 10 } 11 termAtt = (TermAttribute) stream.addAttribute(TermAttribute.class); 12 offAtt = (OffsetAttribute) stream.addAttribute(OffsetAttribute.class); 13 try { 14 if (stream.incrementToken() == false) 15 termAtt = null; 16 } catch (IOException e) { 17 // TODO Auto-generated catch block 18 e.printStackTrace(); 19 } 20 } 21 if (termAtt != null && !termAtt.term().equals("")) { 22 matchedToken.image = termAtt.term(); 23 matchedToken.beginColumn = cjkStartOffset + offAtt.startOffset(); 24 matchedToken.endColumn = cjkStartOffset + offAtt.endOffset(); 25 try { 26 if (stream.incrementToken() != false) 27 input_stream.backup(1); 28 else 29 termAtt = null; 30 } catch (IOException e) { 31 e.printStackTrace(); 32 } 33 } 34 if (termAtt == null || termAtt.term().equals("")) { 35 stream = null; 36 cjkStartOffset = 0; 37 } 38 }
2.2 编译NutchAnalysis.jj
（1）将NutchAnalysis.jj复制到其他文件位置，并用javacc编译（命令：javacc NutchAnalysis.jj）
（2）将生成的7个java源码全部覆盖到src/java/org/apache/nutch/analysis包下。
3 refresh工程，解决各种报错
3.1 NutchAnalysis.java会报错
可以根据eclipse提示，在两个位置加入ParseException异常捕捉命令
3.2 org.apache.nutch.searcher包中的Query.java报错
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）。
4 增加or修改源码
（1）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;
}
（2）修改nutch/build.xml
在 <target name="war" depends="jar,compile,generate-docs"></target>的<lib>< /lib>之间<include name="log4j-*.jar"/> 下，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"/>
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
5 编译ant
把源码src复制到其他的nutch1.2中，再用ant编译
编译完成后在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。
6 后续问题
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>
郑重声明：本站内容如果来自互联网及其他传播媒体，其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，也不构成任何其他建议。
