一、 进入nutch的搜索界面,点击搜索是出现
HTTP Status 500 -
type Exception report
message description The server encountered an internal error () that prevented it from fulfilling this request.
exception
org.apache.jasper.JasperException: /search.jsp(151,22) Attribute value language + "/include/header.html" is quoted with " which must be escaped when used within the value
org.apache.jasper.compiler.DefaultErrorHandler.jspError(DefaultErrorHandler.java:40)
org.apache.jasper.compiler.ErrorDispatcher.dispatch(ErrorDispatcher.java:407)
org.apache.jasper.compiler.ErrorDispatcher.jspError(ErrorDispatcher.java:198)
note The full stack trace of the root cause is available in the Apache Tomcat/6.0.18 logs. 。。。。。。。。。
查看nutch Web应用根目录下的search.jsp可知,是引号匹配的问题。
<jsp:include page="<%= language + "/include/header.html"%>"/> //line 152 search.jsp
第一个引号和后面第二个出现的引号进行匹配,而不是和第四引号进行匹配,所以问题就出现了。
修改:<jsp:include page='<%= language + "/include/header.html"%>'/>
正常
二、在 Nutch 的搜索框中输入中文,点击“搜索”按钮之后,可以看到搜索框中的关键字是乱码,搜索结果也为空。网上有很多文章都谈到了这个现象,这不是 Nutch 的问题,而 是 Tomcat 没有对 uri 做编码造成的。
【Java中文问题的由来】
Java 的内核和 class 文件是基于 unicode 的,这使 Java 程序具有良好的跨平台性,但也带来了一些中文乱码问题的麻烦。
原因主要有两方面:
①Java 和 JSP文件本身编译时产生的乱码问题;
首先 Java(包括 JSP)源文件中很可能包含有中文,而 Java 和 JSP 源文件的保存方式是基于字节流的,如果 Java 和 JSP 编译成 class 文件过程中,使用的编码 方式与源文件的编码不一致,就会出现乱码。基于这种乱码,建议在 Java 文件中尽量不要写中文(注释部分不参与编译,写中文没关系), 如果必须写的话,尽量手动带 参数 -ecoding GBK 或 -ecoding gb2312 编译(采用国标汉字编码);对于 JSP,在文件头加上<%@ page contentType="text/html;charset=GBK"%>或<%@ page contentType="text/html;charset=gb2312"%>基本上就能解决这类乱码问题。
②Java程序于其他媒介交互产生的乱码问题。
我们重点讨论的是第二类乱码,即 Java 程序与其他存储媒介交互时产生的乱码。
很多存储媒介,如数据库,文件,流等的存储方式都是基于字节流的,Java 程序与这些媒介交互时就会发生字符(char)与字节(byte)之间的转换,例如从页面提交表单中提 交的数据在 Java 程序里显示乱码等情况。
如果在以上转换过程中使用的编码方式与字节原有的编码不一致,很可能就会出现乱码。
解决方法
对于流行的 Tomcat 来说,有以下两种解决方法:
1) 更改.. /tomcat/conf/server.xml,指定浏览器的编码格式为“简体中文”:
在“Connector port=”8080″ ” 那一节添加
<Connector URIEncoding="UTF-8" useBodyEncodingForURI="true" />(万国码)
在文件的最下面添加URIEncoding="UTF-8" useBodyEncodingForURI="true" 如果不添加搜索栏输入的字符默认编码将不能正确解析匹配。
(可以这样验证你的更改是否成功:在更改前,在你出现乱码的页面的浏览器,点击菜单“查看|编码”,会发现“西欧(ISO)”处于选中状态。而更改后,点击菜单“查看|编 码”,会发现“简体中文(GB2312)”处于选中状态。)
2)更改 Java 程序,我的程序是这样的:
public class ThreeParams extends HttpServlet {
public void doGet(HttpServletRequest request, HttpServletResponse response)
throws ServletException, IOException {
response.setContentType("text/html; charset=GBK");
...
}
}
它的作用是让浏览器把Unicode字符转换为GBK字符。这样页面的内容和浏览器的显示模式都设成了GBK,就不会乱码了。
三、nutch 配置文件乱码的解决缓存乱码的解决:修改 search.jsp 中的代码行。
增加格式化搜索字符的函数,同时对 queryString 进行处理。
将
String queryString = request.getParameter("query")
改成
String queryString = new String(request.getParameter("query").getBytes("ISO-8859-1"),"UTF-8");
注意:经过以上处理,部分 UTF-8 的页面依然会出现乱码。要想彻底解决,需要将 Content 内容先做判断,如果 Meta 标签中有 charset="utf-8"标志,则
Content =new String(bean.getContent(details),"utf-8");
经过以上处理,基本上不会有乱码的缓存页面存在。