胡萝卜2 - 我可以从文件夹中聚集文档吗？

我正在尝试对我在研究项目中收集的文档进行聚类。我正在尝试使用 Carrot2 工作台，但无法找到如何将胡萝卜指向包含文档的文件夹。请问我该怎么做？ （我有少量文档（.txt）需要比较，它们位于独立的研究机器上，因此我无法连接到网络并在那里处理它们）。

任何帮助感激不尽！

（我试图找出文档中的相似点/主题/组；如果 Carrot2 不是正确的工具，那么将不胜感激其他建议！）

非常感谢，

John

目前 Carrot2 Workbench 不支持直接从本地文件夹对文件进行聚类。这里有几个解决方案：

1. 将所有文本文件转换为Carrot2 XML 格式 http://doc.carrot2.org/#section.architecture.input-xml并在 Carrot2 Workbench 中对 XML 文件进行聚类。

2. 在 Apache Solr 中索引您的文件并从 Carrot2 Workbench 查询您的 Solr 索引。

3. 将您的文件转换为 Lucene 索引并从 Carrot2 Workbench 查询该索引。我为该任务编写了一个简单的实用程序，名为文件夹2索引 http://download.carrotsearch.com/folder2index/0.0.2/folder2index-0.0.2.zip (源代码 https://github.com/carrot2/folder2index).

   假设您使用的是 Windows，索引过程如下：

   1. 乌压缩folder2index工具某处，假设您将其解压缩到c:\carrot2\folder2index-0.0.1.

   2. 从某个目录索引文本文件（假设c:\txt-input）并在中创建索引c:\txt-input-index， 做这个：

      A。打开命令行控制台（开始菜单 -> 运行程序 -> 键入cmd并按 Enter 键）。

      b.在控制台中，输入：

      cd c:\carrot2\folder2index-0.0.2
      java -jar folder2index-0.0.2.jar --index c:\txt-input-index --folders c:\txt-input --use-tika
      

      过了一会儿，您应该会看到类似以下内容：

      ...
      Index created: c:\txt-input-index
      

   3. 一旦你对文件建立了索引，你就可以在 Carrot2 Workbench 中对它们进行集群，使用Lucene文档来源 http://doc.carrot2.org/#section.getting-started.lucene。使用content文件名来引用文本文件的内容；文件的名称存储在fileName field.

   一些注意事项：

   • 目前仅对 PDF、HTML 和 TXT 文件进行索引，其他文件将被忽略。

   • 如果索引已存在，则将文件添加到索引中。这意味着如果您使用相同的参数运行该命令两次，索引将包含重复的文档。要重新索引刚刚添加了一些文件的文件夹，最好先删除索引目录。

   • 您可以使用 Carrot2 Workbench 中的查询字段从索引中选择特定文件，例如：

     *:*-- 检索所有内容（最多达到请求的结果数）

     mining-- 检索其中包含单词“mining”的所有文档（同样，最多达到请求的结果数）

     "data mining"-- 检索包含确切短语“数据挖掘”的文档

     fileName:92*-- 检索名称以“92”开头的文件的内容