实现NUTCH中文分词的代码修改方法 | |
此处我修改的nutch版本是0.7.2 现在实现基本中文分词功能的代码和软件模块很多,性能也还可以,但是怎样将其应用到NUTCH中的方法介绍相对较少,下面我就实现NUTCH中文分词的NUTCH代码修改方法与步骤,抛砖引玉的介绍一下。 代码修改的切入点是通过对NUTCH处理中文的切分器Tokenizer的修改或者替换(这里介绍的是替换),使中文分词由单字切分变为词语切分。对于相关的NUTCH基本知识,我就不赘述了。因为NUTCH的检索功能基于Lucene,所以你用来替换的切分器必须满足Lucene的Tokenizer特征,最主要的是保证输入与输出相符,分词后输出的必须是Token流。幸运的是,现存的分词程序或软件模块基本上都满足此需要,即使有所偏差,一般通过对其输入输出的修改就可以满足需要。我前面提供给大家的那个分词程序就可以经过简单修改应用于NUTCH中。 设我们实现中文分词功能模块的主类名为MYTokenizer,package为org.apache.nutch.analysis.myt. MYTokenizer,将模块假如项目后,NUTCH代码修改如下: (需要修改或新增的行后有注释,否则其它行只是为了定位,不修改) 一、修改org/apache/nutch/analysis下的NutchAnalysis.jj文件(此文件由JACC生成) 文件第33行附近: import org.apache.nutch.searcher.Query.Clause; import org.apache.lucene.analysis.StopFilter; +import org.apache. nutch.analysis. myt. MYTokenizer; //新增此行,加入你的切分器 import java.io.*; import java.util.*; 文件第8 1行附近: PARSER_END(NutchAnalysis) TOKEN_MGR_DECLS : { /** use MYTokenizer to process cjk character */ //新增此行注释 private MYTokenizer myTokenizer = null; //新增此行 /** a global cjk token */ //新增此行注释 private org.apache.lucene.analysis.Token cjkToken = null; //新增此行,输出流 /** start offset of cjk sequence */ //新增此行注释 private int cjkStartOffset = 0; //新增此行 /** Constructs a token manager for the provided Reader. */ public NutchAnalysisTokenManager(Reader reader) { 文件第106行附近: } // chinese, japanese and korean characters | <SIGRAM: <CJK> > //删除此行 | <SIGRAM: (<CJK>)+ > //新增此行(#行) //以下所有行均为新增,紧接上行代码(#行)书写 { /** * use an instance of myTokenizer, myTokenizer, hold the maximum * matched cjk chars, and cjkToken for the current token; * reset matchedToken.image use cjkToken.termText(); * reset matchedToken.beginColumn use cjkToken.startOffset(); * reset matchedToken.endColumn use cjkToken.endOffset(); * backup the last char when the next cjkToken is valid. */ if(myTokenizer == null) { myTokenizer = new MYTokenizer (new StringReader(image.toString())); cjkStartOffset = matchedToken.beginColumn; try { cjkToken = myTokenizer.next(); } catch(IOException ioe) { cjkToken = null; } } if(cjkToken != null && !cjkToken.termText().equals("")) { //sometime the myTokenizer returns an empty string, is it a bug? matchedToken.image = cjkToken.termText(); matchedToken.beginColumn = cjkStartOffset + cjkToken.startOffset(); matchedToken.endColumn = cjkStartOffset + cjkToken.endOffset(); try { cjkToken = myTokenizer.next(); } catch(IOException ioe) { cjkToken = null; } if(cjkToken != null && !cjkToken.termText().equals("")) { input_stream.backup(1); } } if(cjkToken == null || cjkToken.termText().equals("")) { myTokenizer = null; cjkStartOffset = 0; } } 二、修改org/apache/nutch/searcher下的Summarizer.java文件(此处修改为提高搜索性能) 文件第189行附近: 将原代码段 if (highlight.contains(t.termText())) { excerpt.addToken(t.termText()); excerpt.add(new Fragment(text.substring(offset, t.startOffset()))); excerpt.add(new Highlight(text.substring(t.startOffset(),t.endOffset()))); offset = t.endOffset(); endToken = Math.min(j+SUM_CONTEXT, tokens.length); } 修改为: if (highlight.contains(t.termText())) { if(offset * 2 == (t.startOffset() + t.endOffset() )) { // cjk bi-gram excerpt.addToken(t.termText().substring(offset - t.startOffset())); excerpt.add(new Fragment(text.substring(t.startOffset() + 1,offset))); excerpt.add(new Highlight(text.substring(t.startOffset() + 1 ,t.endOffset()))); } else { excerpt.addToken(t.termText()); excerpt.add(new Fragment(text.substring(offset, t.startOffset()))); excerpt.add(new Highlight(text.substring(t.startOffset() ,t.endOffset()))); } offset = t.endOffset(); endToken = Math.min(j+SUM_CONTEXT, tokens.length); } 为了提高运行效率,你的分词模块在运行中最好可以将词表读入内存。至于代码修改的原理,说来话长,容后再叙。 |