我正在尝试将我收集的文档作为研究项目的一部分进行聚类。我正在尝试使用Carrot2工作台，但无法找到如何在包含文档的文件夹中指向胡萝卜。我该怎么办？ （我有一些文件（.txt）需要比较，而且它们是独立的研究机器，所以我无法连接到网络并在那里处理它们。
感激不尽的任何帮助！
（我试图识别文档中的相似性/主题/组;如果Carrot2不是正确的工具，那么会对其他建议感激不尽！）
非常感谢，
约翰
答案 0 :(得分：4)
目前，Carrot2 Workbench不支持直接从本地文件夹群集文件。这里有一些解决方案：
将所有文本文件转换为Carrot2 XML format并在Carrot2 Workbench中对XML文件进行聚类。
在Apache Solr中索引文件并从Carrot2 Workbench查询Solr索引。
将文件转换为Lucene索引并从Carrot2 Workbench查询索引。我为该任务编写了一个名为folder2index（source code）的简单实用程序。
假设您使用的是Windows，则索引过程如下：
在某个地方拉开folder2index工具，我们假设您将其解压缩到c:\carrot2\folder2index-0.0.1。
要从某个目录索引文本文件（让我们假设为c:\txt-input）并在c:\txt-input-index中创建索引，请执行以下操作：
一个。打开命令行控制台（开始菜单 - ＆gt;运行程序 - ＆gt;键入cmd，然后按Enter键。）
湾在控制台中，键入：
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，你应该看到类似的东西：
...
Index created: c:\txt-input-index
对文件编制索引后，可以使用Lucene document source将它们集中到Carrot2 Workbench中。使用content文件名来引用文本文件的内容;该文件的名称存储在fileName字段中。
几点说明：
目前只有PDF，HTML和TXT文件被编入索引，其他文件将被忽略。
如果索引已存在，则会将文件添加到索引中。这意味着如果使用相同的参数运行命令两次，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Query字段从索引中选择特定文件，例如：
*:* - 检索所有内容（最多为请求的结果数）
mining - 检索包含“挖掘”一词的所有文件（同样，直到请求的结果数量）
"data mining" - 检索包含完整短语“数据挖掘”的文档
fileName:92* - 检索名称以“92”
答案 1 :(得分：0)
我最近建立了一个文档集群软件。这个软件是用java构建的。这个软件是完全免费的。文档管理器软件可以聚集大量以下扩展文档：
如果此软件未满足您的要求，请告知我们。
这是链接： http://www.computergodzilla.com
如果您想了解更多信息，请参阅此处： http://computergodzilla.blogspot.com/2013/07/document-organizer-software.html