nutch搜索引擎windows版本，包含中文分词技术

2009年5月5日      星期二    天气晴

 

        第一次写博客，希望自己的这点技术可以帮到新人，也可以让高手提点一下吧。

 

        公司项目要做一个搜索引擎的，以前没有接触过，既然公司有了这样的需求，不会也要迎着头皮上了，2月份接手，中间停了半个月，三月份继续，满打满算的有两个月了吧，从不懂搜索引擎到现在算是有些小成就了吧。

 

        公司交任务时让我用nutch做，其实我也不知道用什么，不过既然说了nutch那就看看吧，网上搜资料，===现在越来越发现，自己离不开网络了，离不开google了，只要有不懂的，不会的，不知道的，google一下，什么资料都有了。===不过网上nutch的资料也不是很多，尤其是做国内的项目，中文分词也是一个比较麻烦的事情，反正是网上搜资料，找分词插件，有IKAnalyzer.jar，庖丁，。。。找了几个，最后还是决定用IKAnlyzer.jar了，在这里要感谢原作者把源代码共享了。

 

 

        经过不断的实验，测试，最终修改IKAnlyzer源代码，使其可以自定义关键字字典了，也就是可以根据自己所属的行业，将行业关键字作为字典来检索了，由于我作的公安项目的，所以mykeywords里装的都是公安有关的关键字。

 

       修改了nutch的源代码，使其可以在一个定时线程中运行，我定的是每天晚上1点钟抓取网页，也许这样太频繁了，不过，我也不知道要定义多长时间更新索引，就索性定位每天一次了，反正一个bat文件就和tomcat一样开了，就放到那里让他自己运行着就行了。

 

 

       在网上查nutch资料时发现好多教程，博客，都是千篇一律，就连定义的属性都一样，可没一个都写着原创，，真不可思议，不过我厌恶的是我要查资料，在google里总是出现这样url不同，但内容相同的东东，让我的查询资料有了不少的麻烦，而且查到的也不能运行，总是有些小BUG，不知道发帖的人有没有自己测试，还是直接抄别人的就发到自己的博客上了，，晕死了，，，

 

       这次修改nutch源代码，实现了可以在windows机下直接运行，也不用写那么多脚本了，麻烦，还总是出错，就一个bat就行了。

 

 

 

     

 

 

 

 

 

 

 

 

==================我是分割线=====================

  

 把项目成品发上来，，直接联系我所要也可以，，，本文章在我的csdn博客中也又发表，均为原创，由于资源大小限制，请到我的csdn博客下载资源：http://blog.csdn.net/myhongkongzhen/archive/2009/05/05/4150750.aspx

搜索资源名：

nutch搜索引擎windows版本，运行bat文件即可 

 

http://download.csdn.net/source/1351580修改版part1

http://download.csdn.net/source/1351677 修改版part2

http://download.csdn.net/source/1351721修改版part3

 一同下载

 

 

      如果大家有什么不明白的地方，可以联系我qq511134962

      msn：[e-mail]

 

 

      我试验了两台机，可以直接运行，如果下载下来不能直接运行，也请联系我，，一般是没有问题的，，