给nutch 0.8添加中文分词（二分法）

本文旨在给nutch添加二分法中文分词，可以预计的结果是汉字的索引不再是一个个字分开来的，从而会大大的增加搜索的准确率

　　修改的文件：NutchAnalysis.jj (在nutch的analysis包里面)

数据挖掘研究院

　　NutchAnalysis.jj

　　在TOKEN里面增加（前后有参照） 数据挖掘研究院

　　| <SIGRAM: <CJK> >

数据挖掘研究院

　　| <CHINAWORD: (<CHINESE><CHINESE>)>

数据挖掘研究院

　　{ 数据挖掘研究院

　　//String newimage=new String(); 数据挖掘研究院

　　//for (int i = 0; i < image.length()-1; i++){ 数据挖掘研究院

　　//  newimage += "" + image.charAt(i) + image.charAt(i + 1) + " ";

　　//}

　　//matchedToken.image += " "; 数据挖掘研究院

　　input_stream.backup(1);

数据挖掘研究院

　　} 数据挖掘研究院

　　// irregular words

　　| <#IRREGULAR_WORD: (<C_PLUS_PLUS>|<C_SHARP>)> 数据挖掘研究院

　　| <#C_PLUS_PLUS: ("C"|"c") "++" >

　　| <#C_SHARP: ("C"|"c") "#" > 数据挖掘实验室

　　修改 数据挖掘实验室

　　|  <#CJK:                                        // non-alphabets,but not chinese 数据挖掘研究院

　　[ 数据挖掘研究院

　　"\u3040"-"\u318f", 数据挖掘实验室

　　"\u3300"-"\u337f",

　　"\u3400"-"\u3d2d", 数据挖掘研究院

　　"\uf900"-"\ufaff"

数据挖掘研究院

　　]

数据挖掘研究院

　　> 数据挖掘研究院

　　|  <#CHINESE:                                        // non-alphabets 数据挖掘研究院

　　[

　　"\u4e00"-"\u9fff"

数据挖掘研究院

　　] 数据挖掘研究院

　　> 数据挖掘研究院

　　| < #DIGIT:                                       // unicode digits 数据挖掘研究院

　　[ 数据挖掘研究院

　　"\u0030"-"\u0039",

数据挖掘研究院

　　...

数据挖掘研究院

　　修改 数据挖掘研究院

　　String term() : 数据挖掘研究院

　　{

数据挖掘研究院

　　Token token;

　　}

数据挖掘研究院

　　{ 数据挖掘实验室

　　( token=<WORD> | token=<ACRONYM> | token=<SIGRAM> | token=<CHINAWORD>)

数据挖掘实验室

　　{ return token.image; } 数据挖掘研究院

　　}

数据挖掘研究院

　　然后javacc NutchAnalysis.jj 数据挖掘研究院

　　在nutch根目录下面运行ant进行编译，然后就可以测试抓去了，我们用luke来分析index所以，可以看到都是按照二分法进行索引的 数据挖掘研究院

　　但是现在localhost还不能搜索出来结果，是因为默认的搜索还是采用的单字分开的，下回将解释如何来修改以支持二分法分词

数据挖掘研究院