hadoop学习过程-2013.08.30.1--按照网页内容搜索出网页01--确定网页来源

使用larbin抓取网页已经可以了，可是抓取到的大量网页，其有意义的文字内容不一定是在网页中同一个位置出现的，比如：

有网页A、B、C、D，A中主要内容在一个div下，B中主要内容在一个文本框中，C中主要内容分散在table中，D中主要内容也在一个div中，但是A中div与D中div并不是html结构树中的同一个节点。

所以先不抓取真实网站网页，而是用现成的、结构统一的网页，即某省政策法规文件集合。

下一步是使用IKAnalyzer将政策法规html文件中的中文内容切词。