从nutch索引里面,读取文章内容

       nutch作为一个完整的搜索引擎，是广大搜索爱好者学习的一个好项目。然而，因为nutch自己封装了一套严谨的IO操作类，要查看原始网页的内容，也不容易。在毕业设计的过程中，经过一般的摸索，可以由索引得到每个网页的原始内容。因此，后继的文本分类的研究也得以展开。代码如下：

import org.apache.lucene.search.IndexSearcher;
import java.io.*;
import org.apache.lucene.document.Document;
import org.apache.nutch.searcher.FetchedSegments;
import org.apache.nutch.fs.LocalFileSystem;
import java.util.ArrayList;
import java.util.Enumeration;
import org.apache.lucene.document.Field;
import org.apache.nutch.searcher.HitDetails;

/**
 * 从索引里面，读取文章内容
 * <p>Title: </p>
 *
 * <p>Description: </p>
 *
 * <p>Copyright: Copyright (c) 2006</p>
 *
 * <p>Company: </p>
 *
 * @author not attributable
 * @version 1.0
 */
public class ExtractText {
  public ExtractText() {
  }
  public static void main(String[] args) throws IOException {

    String path = args[0];//nutch crawl完的主目录 如crawl-20060622203455
    File nutchFileRoot = new File(path);
    File index = new File(nutchFileRoot,"index");
    File segmentsDir = new  File(nutchFileRoot,"segments");
    File outPut = new File(nutchFileRoot,"plaitext");//存放内容的目录
    if(!outPut.isDirectory()){
      outPut.mkdir();
    }

    FetchedSegments segments = new FetchedSegments(new LocalFileSystem(), segmentsDir.toString());

    try {
      IndexSearcher searcher = new IndexSearcher(index.getAbsolutePath());
     
      for(int i = 0;i<searcher.maxDoc();i++){
        Document doc = searcher.doc(i);//依次遍历索引库中的每条记录
        
         String docNo = doc.get("docNo");
         String seg  = doc.get("segment");

         ArrayList fields = new ArrayList();
         ArrayList values = new ArrayList();

         Enumeration e = doc.fields();
         while (e.hasMoreElements()) {
           Field field = (Field)e.nextElement();
           fields.add(field.name());
           values.add(field.stringValue());
         }

        HitDetails detail = new HitDetails((String[])fields.toArray(new String[fields.size()]),
                               (String[])values.toArray(new String[values.size()]));
       
        String aa = segments.getParseText(detail).toString();//得到内容
       
        File temp =  new File(outPut,seg+"_"+docNo);//输出文件的名字，可以随便起，保证不重复就可以
        DataOutputStream outs = new DataOutputStream(new FileOutputStream(temp));
        outs.write(aa.getBytes());
        outs.close();

      }

    } catch (IOException ex) {
      ex.printStackTrace();
    }

  }
}

转自：http://hi.baidu.com/sunky/blog/item/40702ff5c42a9b25bd310949.html

评论

3 楼 zhujyy 2012-07-25  

import org.apache.nutch.fs.LocalFileSystem;
需要引用的jar包可以发我一份么 qq
2289566693

2 楼 eryk 2010-10-31  

额，不好意思，这个我没试过，我用nutch只爬网址，在fetch里用自己的网页解析程序，后面的索引都没有用到，数据直接存到数据库了

不过我看你的错误貌似是路径的问题。不过不明白为啥会报出来hadoop的错误，完全没关系的呀。。。

1 楼 384444165 2010-10-29  

运行时，出现如下错误： Exception in thread "main" java.lang.NullPointerException at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:91) at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:144) at org.apache.hadoop.fs.Path.getFileSystem(Path.java:159) at org.apache.hadoop.mapred.MapFileOutputFormat.getReaders(MapFileOutputFormat.java:67) at org.apache.nutch.searcher.FetchedSegments$Segment.getReaders(FetchedSegments.java:90) at org.apache.nutch.searcher.FetchedSegments$Segment.getParseText(FetchedSegments.java:84) at org.apache.nutch.searcher.FetchedSegments.getParseText(FetchedSegments.java:152) at com.incesoft.ai.DBConnection.ExtractText.main(ExtractText.java:65)


求楼主可以解释。原帖也有同样问题，不过貌似没有得到回答