东北大学计算机应用技术研究所Web信息处理小组

urrr... These guys do research ?!

2009年5月11日 #

搭建基于Nutch1.0的搜索引擎说明文档

 

一、简介

　　Nutch是一个开源的Web搜索引擎。

       主要分为两个部分：爬虫crawler和查询searcher，两者之间的接口是索引。

 

二、需要的软件

  • JDK1.6

  • Tomcat6.0

  • cygwin

  • nutch1.0

三、安装与配置

1. JDK

  • 下载地址：http://www.sun.com

  • 安装目录：C:\Java\jdk1.6.0_14

  • 修改环境变量：

JAVA_HOME= C:\Java\jdk1.6.0_14

CLASSPATH= C:\Java\jdk1.6.0_14\lib\dt.jar; C:\Java\jdk1.6.0_14\lib\tool.jar

PATH= %JAVA_HOME%\bin

  • 测试：

Java -version

2. Tomcat6.0

  • 下载地址：

http://tomcat.apache.org/download-60.cgi?Preferred=http%3A%2F%2Fapache.freelamp.com

  • 安装目录：C:\tomcat6

  • 安装测试：

                a)  启动tomcat：在DOS下，cd C:\tomcat6\bin\startup.bat

                b)  浏览器地址栏输入：

             http://localhost:8080/

                   出现tomcat主页则成功

      • 更改C:\tomcat6\conf \tomcat-users.xml内容

      <tomcat-users>

      　　<role rolename="manager"/>

      　　<user username="tomcat" password="tomcat" roles="manager"/>

      </tomcat-users>

      3. Cygwin

      • 下载地址：

      http://www.cygwin.cn/

      • 使用原因：

                 运行Nutch自带的脚本命令需要Linux的环境，使用cygwin来模拟该环境。cygwin是在windows平台上运行的unix模拟环境。

            • 安装目录：C:\cygwin

                           注意：在选择下载站点需要输入如下网址，并在最后选择本地磁盘安装：

                                  http://www.cygwin.cn/pub/

              • 测试：

              进入cygwin

              4. Nutch

              • 下载地址：

              http://www.apache.org/dyn/closer.cgi/lucene/nutch/

              • 版本：nutch-1.0

              • 解压后到：C:\nutch-1.0

              • 设置Nutch的环境变量：

              NUTCH_JAVA_HOME= C:\Java\jdk1.6.0_14

              • 修改环境变量PATH ：

                PATH= %JAVA_HOME%\bin; % NUTCH_JAVA_HOME %\bin

                • 在C:\nutch-1.0下建立url.txt文件来制定爬去列表

                      在txt文件中写入需要爬取的网站地址http://dblp.lab/

                      • 测试：

                            开启Cygwin

                          cd cygdriver/c/nutch-1.0

                          bin/nutch

                          若出现若干命令，则说明Nutch配置成功

                          四、抓取网页数据

                          1. 指定爬虫规则

                          • 修改Nutch-1.0/conf/crawl-urlfilter.txt

                          # accept hosts in MY.DOMAIN.NAME

                          +^http://dblp.lab/

                          • 修改Nutch-1.0/conf/nutch-site.xml

                          <configuration>

                          　　<property>

                          　　<name>http.agent.name</name>

                          　　<value>my nutch agent</value>

                          　　</property>

                          　　<property>

                          　　<name>http.agent.version</name>

                          　　<value>1.0</value>

                          　　</property>

                          </configuration>

                          2. 开始爬取

                          3. 打开Cygwin

                          4. 在命令行输入

                          cd /cygdrive/c/nutch-1.0

                          5. 执行命令

                          Bin/nutch crawl url.txt -dir crawled -depth 3 - threads 4 >&crawl.log

                          　　 其中：dir是指定爬取内容所存放的目录，depth表示以要爬取网站顶级网址为起点的爬行深度，threads指定并发的线程数

                          6. 爬取中......（采集网页并建立索引）

                          7. 结束后在Nutch目录下产生爬取内容的文件夹crawled和日志文件夹logs

                          五、部署Web前端

                          1. 将nutch-1.0.war拷贝到webapps目录下

                          2. 通过浏览器访问如下网址，war包会自解压

                          http://localhost:8080/nutch-1.0/

                          3. 修改nutch的web配置

                                 更改c:\tomcat6\webapps\nutch-1.0\WEB-INF\classes\nutch-site.xml ，将内容更改为索引生成的目录

                          <?xml version="1.0"?> <?xml-stylesheet type="text/xsl" href="nutch-conf.xsl"?>

                          <!-- Put site-specific property overrides in this file. -->

                          <nutch-conf>

                          <property>

                          　　<name>searcher.dir</name>

                          　　<value>C:\nutch-1.0\crawled</value>

                          </property>

                          </nutch-conf>

                          六、解决中文乱码问题

                                   修改文件C:\tomcat6\conf\server.xml

                          <Connector port="8080" maxThreads="150" minSpareThreads="25"

                          maxSpareThreads="75" enableLookups="false" redirectPort="8443"

                          acceptCount="100" connectionTimeout="20000" disableUploadTimeout="true"

                          URIEncoding="UTF-8" useBodyEncodingForURI="true" protocol="HTTP/1.1" />

                           

                          七、搭建完成

                          1. 启动Tomcat

                          2. 通过浏览器访问

                          http://localhost:8080/nutch-1.0/

                          （by 王海明）

                          posted @ 2009-06-04 11:21 wipt 阅读(2879) | 评论 (8) | 编辑 收藏

                          搜狗拼音输入法研究

                          输入法是基于词库的，词库中除了词条信息意外还有词频（也是最重要的了），词频表达用户使用词条概率，所以以概率解决问题较多。不管是包含多少种词库，词频信息必不可少，尽管有时还要对词频进行加权处理，如用户词库的词频肯定不会像系统词库的词频那么高，将二者进行排序时不能直接利用现有词频，要加权处理。尤其在智能组词那块，要形成短语，短句，就要找到频率最大的组句路径，会有计算公式。

                          将用户需求进行分解：尽量覆盖用户的词汇当然是好，但是随之会产生问题，词库的臃肿化和计算的代价加大，就要剔除掉不必要的词条信息了，可我们怎么知道哪些才是用户需要的呢，通过获取用户输入环境找到符合用户需求的最小词汇，才是王道。这样词库构成基本分为系统共有词库+辅助词库，布局合理，其中后者是动态加载和更新的，很智能化。

                          个性化：提高用户体验离不开个性化，适合大家的有可能适合自己，适合自己的不一定适合大家，个体之间存在差异，捕捉用户的使用习惯，找到个性部分很重要，用户词库，个性词等技术基本解决部分问题。引用原文的话：“记录用户输入的字词，学习某个用户适用的词汇；通过一段时间地不断学习，将词库逐渐收敛到某个用户输入的最佳状态，从而形成用户词库。通过动态调频，使其逐渐适应该用户，当用户是唯一时，很好地提升效率”，很到位。

                          策略问题：如搜狗输入法有很多用户，利用用户的信息，反过来又回馈给用户，这样反复过程，最终要达到一个收敛平衡的状态。

                          资源的重要性：搜狗宝贵的东西是语料库，各种想法实施的先决条件。

                          详细的PPT在：http://d.onto.ac.cn/wipt/sogou.zip（教育网服务器）

                          (by 韩艳景)

                          posted @ 2009-05-11 08:42 wipt 阅读(1883) | 评论 (2) | 编辑 收藏