`

coreseek中LibMMsg中文分词

 
阅读更多
[php] view plaincopy
 
  1. mmseg -u unigram.txt  

该命令执行后,将会在unigram.txt所在目录中产生一个名为unigram.txt.uni的文件,将该文件改名为uni.lib,完成词典的构造。需要注意的是,unigram.txt需要预先准备,并且编码格式必须为UTF-8编码
在unigram.txt中的格式为:

...

帮助    1

x:1

否    12

x:12

...

其中,每条记录分两行。其中,第一行为词项,其格式为:[词条]\t[词频率]。特别提醒,有的编辑器会使用4到8个空格代表\t,这将导致该词条无法解析。需要注意的是,对于单个字后面跟这个字作单字成词的频率,这个频率需要在大量的预先切分好的语料库中进行统计,用户增加或删除词时,一般不需要修改这个数值;对于非单字词,词频率处必须为1。第二行为占位项,是由于LibMMSeg库的代码是从Coreseek其他的分词算法库(N-gram模型)中改造而来的,在原来的应用中,第二行为该词在各种词性下的分布频率。LibMMSeg的用户只需要简单的在第二行处填"x:1"即可. 用户可以通过修改词典文件增加自己的自定义词,以提高分词法在某一具体领域的切分精度.可以到你的搜狗输入法中得到对应的词库

在搜狗中得到的词库文件为:

'a 啊
'a'di'da'si 阿迪达斯
'a'du 阿杜

为了将搜狗的词库和coreseek自带的词库合并代码如下:

[php] view plaincopy
 
  1. //默认的词库  
  2. $default = $defaultFrequency = array();  
  3. $unHandle = fopen("unigram_test.txt""r");  
  4. $i = 0;  
  5. while( !feof($unHandle) ){  
  6.     $buffer = fgets($unHandle);  
  7.     if$i % 2 == 0 ){  
  8.         $temp = explode(" "$buffer);  
  9.         $default[] = $temp[0];  
  10.     }else{  
  11.         $temp = explode(":"$buffer);  
  12.         $defaultFrequency[] = str_replace(array("\r","\n"), ''$temp[1]);  
  13.     }  
  14.     $i++;  
  15. }  
  16. fclose($unHandle);  
  17.   
  18. //搜狗词库  
  19. $handle = fopen("ciku.txt""r");  
  20. while( !feof($handle) ){  
  21.     $buffer = fgets($handle);  
  22.     $temp = explode(" "$buffer);  
  23.     $str = str_replace(array("\r","\n"), '',$temp[1]);  
  24.     if( !in_array($str$default) ){  
  25.         $default[] = $str;  
  26.     }  
  27. }  
  28. fclose($handle);  
  29. $defaultFrequency = array_pad($defaultFrequency,count($default),1);  
  30. foreach ( $default as $key=>$val ){  
  31.     if$val ){  
  32.         file_put_contents("newciku.txt"$val."\t".$defaultFrequency[$key]."\n"."x:".$defaultFrequency[$key]."\n",FILE_APPEND);  
  33.     }  
  34. }  


问题:用”刘德华”搜索的时候可以得到数据用”德华”搜索没有得到对应的数据.原因是我的词库中没有”德华”.遇到这样的情况我们只能将它加入到词库中.但是有时候这样的词我们是不能够保证都加进去的.那么在配置indexer的时候可以用到”一元切分模式”. 配置如下:

[php] view plaincopy
 
  1. #charset_dictpath    =  D:/coreseek/coreseek-4.1-win32/etc  
  2. #charset_type        = zh_cn.utf-8  
  3. #ngram_len      = 0  
  4. charset_type        = utf-8  
  5. ngram_len       = 1  
  6. ngram_chars = U+4E00..U+9FBF, U+3400..U+4DBF, U+20000..U+2A6DF, U+F900..U+FAFF,\  
  7.                 U+2F800..U+2FA1F, U+2E80..U+2EFF, U+2F00..U+2FDF, U+3100..U+312F, U+31A0..U+31BF,\  
  8.                 U+3040..U+309F, U+30A0..U+30FF, U+31F0..U+31FF, U+AC00..U+D7AF, U+1100..U+11FF,\  
  9.                 U+3130..U+318F, U+A000..U+A48F, U+A490..U+A4CF      
  10. charset_table = U+FF10..U+FF19->0..9, 0..9, U+FF41..U+FF5A->a..z, U+FF21..U+FF3A->a..z,\  
  11.                 A..Z->a..z, a..z, U+0149, U+017F, U+0138, U+00DF, U+00FF, U+00C0..U+00D6->U+00E0..U+00F6,\  
  12.                 U+00E0..U+00F6, U+00D8..U+00DE->U+00F8..U+00FE, U+00F8..U+00FE, U+0100->U+0101, U+0101,\  
  13.                 U+0102->U+0103, U+0103, U+0104->U+0105, U+0105, U+0106->U+0107, U+0107, U+0108->U+0109,\  
  14.                 U+0109, U+010A->U+010B, U+010B, U+010C->U+010D, U+010D, U+010E->U+010F, U+010F,\  
  15.                 U+0110->U+0111, U+0111, U+0112->U+0113, U+0113, U+0114->U+0115, U+0115, \  
  16.                 U+0116->U+0117,U+0117, U+0118->U+0119, U+0119, U+011A->U+011B, U+011B, U+011C->U+011D,\  
  17.                 U+011D,U+011E->U+011F, U+011F, U+0130->U+0131, U+0131, U+0132->U+0133, U+0133, \  
  18.                 U+0134->U+0135,U+0135, U+0136->U+0137, U+0137, U+0139->U+013A, U+013A, U+013B->U+013C, \  
  19.                 U+013C,U+013D->U+013E, U+013E, U+013F->U+0140, U+0140, U+0141->U+0142, U+0142, \  
  20.                 U+0143->U+0144,U+0144, U+0145->U+0146, U+0146, U+0147->U+0148, U+0148, U+014A->U+014B, \  
  21.                 U+014B,U+014C->U+014D, U+014D, U+014E->U+014F, U+014F, U+0150->U+0151, U+0151, \  
  22.                 U+0152->U+0153,U+0153, U+0154->U+0155, U+0155, U+0156->U+0157, U+0157, U+0158->U+0159,\  
  23.                 U+0159,U+015A->U+015B, U+015B, U+015C->U+015D, U+015D, U+015E->U+015F, U+015F, \  
  24.                 U+0160->U+0161,U+0161, U+0162->U+0163, U+0163, U+0164->U+0165, U+0165, U+0166->U+0167, \  
  25.                 U+0167,U+0168->U+0169, U+0169, U+016A->U+016B, U+016B, U+016C->U+016D, U+016D, \  
  26.                 U+016E->U+016F,U+016F, U+0170->U+0171, U+0171, U+0172->U+0173, U+0173, U+0174->U+0175,\  
  27.                 U+0175,U+0176->U+0177, U+0177, U+0178->U+00FF, U+00FF, U+0179->U+017A, U+017A, \  
  28.                 U+017B->U+017C,U+017C, U+017D->U+017E, U+017E, U+0410..U+042F->U+0430..U+044F, \  
  29.                 U+0430..U+044F,U+05D0..U+05EA, U+0531..U+0556->U+0561..U+0586, U+0561..U+0587, \  
  30.                 U+0621..U+063A, U+01B9,U+01BF, U+0640..U+064A, U+0660..U+0669, U+066E, U+066F, \  
  31.                 U+0671..U+06D3, U+06F0..U+06FF,U+0904..U+0939, U+0958..U+095F, U+0960..U+0963, \  
  32.                 U+0966..U+096F, U+097B..U+097F,U+0985..U+09B9, U+09CE, U+09DC..U+09E3, U+09E6..U+09EF, \  
  33.                 U+0A05..U+0A39, U+0A59..U+0A5E,U+0A66..U+0A6F, U+0A85..U+0AB9, U+0AE0..U+0AE3, \  
  34.                 U+0AE6..U+0AEF, U+0B05..U+0B39,U+0B5C..U+0B61, U+0B66..U+0B6F, U+0B71, U+0B85..U+0BB9, \  
  35.                 U+0BE6..U+0BF2, U+0C05..U+0C39,U+0C66..U+0C6F, U+0C85..U+0CB9, U+0CDE..U+0CE3, \  
  36.                 U+0CE6..U+0CEF, U+0D05..U+0D39, U+0D60,U+0D61, U+0D66..U+0D6F, U+0D85..U+0DC6, \  
  37.                 U+1900..U+1938, U+1946..U+194F, U+A800..U+A805,U+A807..U+A822, U+0386->U+03B1, \  
  38.                 U+03AC->U+03B1, U+0388->U+03B5, U+03AD->U+03B5,U+0389->U+03B7, U+03AE->U+03B7, \  
  39.                 U+038A->U+03B9, U+0390->U+03B9, U+03AA->U+03B9,U+03AF->U+03B9, U+03CA->U+03B9, \  
  40.                 U+038C->U+03BF, U+03CC->U+03BF, U+038E->U+03C5,U+03AB->U+03C5, U+03B0->U+03C5, \  
  41.                 U+03CB->U+03C5, U+03CD->U+03C5, U+038F->U+03C9,U+03CE->U+03C9, U+03C2->U+03C3, \  
  42.                 U+0391..U+03A1->U+03B1..U+03C1,U+03A3..U+03A9->U+03C3..U+03C9, U+03B1..U+03C1, \  
  43.                 U+03C3..U+03C9, U+0E01..U+0E2E,U+0E30..U+0E3A, U+0E40..U+0E45, U+0E47, U+0E50..U+0E59, \  
  44.                 U+A000..U+A48F, U+4E00..U+9FBF,U+3400..U+4DBF, U+20000..U+2A6DF, U+F900..U+FAFF, \  
  45.                 U+2F800..U+2FA1F, U+2E80..U+2EFF,U+2F00..U+2FDF, U+3100..U+312F, U+31A0..U+31BF, \  
  46.                 U+3040..U+309F, U+30A0..U+30FF,U+31F0..U+31FF, U+AC00..U+D7AF, U+1100..U+11FF, \  
  47.                 U+3130..U+318F, U+A000..U+A48F,U+A490..U+A4CF  

 

 

问题增加同义词和复合词的搜索功能我们可以到同义词和复合词的词库下载thesaurus.lib文件放到和uni.lib一致的目录

下面随便的说一下BuildExcerpts函数的用法:

原型: function BuildExcerpts ( $docs, $index, $words, $opts=array() )

$docs为你的数据,$index为你的索引名称,$words为你的搜索词,$opts为配置属性

如果你的索引从两个字段进行搜索,title和description,那么你需要从的数据中得到这两个字段的数据再来进行高亮显示简单代码如下:

[php] view plaincopy
 
  1. <?php  
  2. header("Content-type:text/html;charset='gbk'");  
  3. //注意文件的编码格式需要保存为为UTF-8格式  
  4.   
  5. $words = "华";  
  6. $index = 'main';  
  7.   
  8. $db = new DBConn($host,$username,$password,$dbname,$charset);  
  9.   
  10. $cl = new SphinxClient ();  
  11. $cl->SetServer ( '127.0.0.1', 9312);  
  12. //以下设置用于返回数组形式的结果  
  13. $cl->SetArrayResult ( true );  
  14. //取从头开始的前20条数据,0,20类似SQl语句的LIMIT 0,20  
  15. $cl->SetLimits(0,30);  
  16.   
  17. $cl->SetSortMode(SPH_SORT_ATTR_DESC,"pubDate");  
  18.   
  19. $cl->SetMatchMode(SPH_MATCH_ALL);  
  20. //在做索引时,没有进行 sql_attr_类型 设置的字段,可以作为“搜索字符串”,进行全文搜索  
  21. $res = $cl->Query ( $words"*" );    //"*"表示在所有索引里面同时搜索,"索引名称(例如test或者test,test2)"则表示搜索指定的  
  22.   
  23. $opts = array(  
  24.     "before_match"      => "<b style='color:red;'>",  
  25.     "after_match"       => "</b>",  
  26.     "chunk_separator"   => " ... ",  
  27.     "limit"             => 200,  
  28.     "around"            => 6,  
  29.     "single_passages"   =>true,  
  30.     "exact_phrase"      =>true,  
  31.     "weight_order"      =>true  
  32. );  
  33.   
  34. if$res['total'] !=0 ){  
  35.     echo iconv("utf-8""gbk""总条数为:").$res['total']."<br/>";  
  36.     if$res['matches'] ){  
  37.         $ids = array();  
  38.         foreach ( $res['matches'as $key=>$val ){  
  39.             $ids[]=$val['id'];  
  40.         }  
  41.         $result = $db->query("select * from st_info where id in (".implode(","$ids).")");  
  42.         $result = $db->fetch_array($result);  
  43.         $result = myBuildExcerpts($result,array('title','description'),$cl,$index$words,$opts);  
  44.           
  45.         $result = sortData($result,$ids);  
  46.         foreach ( $result as $val ){  
  47.             echo "title:".$val['title'].iconv("utf-8""gbk""时间为:").date("Y-m-d H:i:s",$val['pubDate'])."<br/>";  
  48.             echo "description:"$val['description'] ."<br/>";  
  49.             echo "<hr>";  
  50.         }  
  51.     }  
  52. }else{  
  53.     print_r($cl->GetLastError());  
  54.     print_r($cl->GetLastWarning());  
  55. }  
  56. function sortData($data,$res){  
  57.     $result = array();  
  58.     foreach ( $res as $val ){  
  59.         foreach ( $data as $key=>$dataVal ){  
  60.             if$dataVal['id'] == $val ){  
  61.                 $result[] = $dataVal;  
  62.             }  
  63.         }  
  64.     }  
  65.     return $result;  
  66. }  
  67.   
  68. function myBuildExcerpts($result,$key,&$c,$index,$words,$opt){  
  69.     if( !is_array$result ) || count$result ) < 1 ) return false;  
  70.     if( !is_array($key) ){  
  71.         $key = array($key);  
  72.     }  
  73.     $resultTemp = $result[0];  
  74.     if( !is_array$resultTemp ) ) return false;  
  75.     foreach ( $key as $k ){  
  76.         if( !array_key_exists($k$resultTemp) ){  
  77.             return false;  
  78.         }  
  79.         foreach ( $result as $val ){  
  80.             $docs[] = iconv("gbk","utf-8",$val[$k]);  
  81.         }  
  82.         $docs = &$c->BuildExcerpts($docs$index$words,$opt);  
  83.         foreach ( $docs as $dKey=>$v ){  
  84.             $result[$dKey][$k] = iconv("utf-8""gbk"$v);  
  85.         }  
  86.         unset($docs);  
  87.     }  
  88.     return $result;  
  89. }  

注意搜索时候的编码问题,最好统一

 

http://blog.csdn.net/ms_x0828/article/details/7679991

分享到:
评论

相关推荐

    coreseek(sphinx + 中文分词)

    Coreseek 是一款中文全文检索/搜索软件,以GPLv2许可协议开源发布,基于Sphinx研发并独立发布,专攻中文搜索和信息处理领域,适用于行业/垂直搜索、论坛/站内搜索、数据库搜索、文档/文献检索、信息检索、数据挖掘等...

    coreseek中日韩分词词库

    coreseek/sphinx分词词库txt版本(中日韩)

    coreseek中文全文索引解决方案

    mysql全文索引解决方案的最佳选择,coreseek是针对中文分词专门开发结合sphinx全文索引的数据库第三方工具。

    sphinx-coreseek中文手册

    sphinx-coreseek中文手册 sphinx-coreseek中文手册 sphinx-coreseek中文手册 sphinx-coreseek中文手册

    搜狗中文分词词汇

    搜狗中文分词词汇,搜狗中文分词词汇适合coreseek分词

    CoreSeek/Sphinx中文手册

    从官网上拷贝的内容,然后转的pdf;自己看的时候加了部分标签

    coreseek-4.1-win32.zip

    reseek其实就是基于sphinx的中文分词版本,sphinx本身并没有提供中文分词功能,需要自行安装中文词库比较麻烦,coreseek提供了中文分词功能,提供了完整的官方中文使用文档,并且在使用上和官方的sphinx并没有差别。

    coreseek-4.1-win32

    coreseek被称为带有中文分词的sphinx,与 sphinx不同的是coreseek增加了一个带有中文分词的词库,本下载是coreseek-4.1-win32

    coreseek-4.1中文全文检索/搜索软件

    Coreseek 是一款中文全文检索/搜索软件,以GPLv2许可协议开源发布,基于Sphinx研发并独立发布,专攻中文搜索和信息处理领域,适用于行业/垂直搜索、论坛/站内搜索、数据库搜索、文档/文献检索、信息检索、数据挖掘等...

    sphinx/coreseek权威手册中文版

    coreseek3.2版本(目前来说最稳定的coreseek版本)的权威中文手册,内部带配置和开发示例。

    coreseek4.1.zip

    Coreseek 是一款中文全文检索/搜索软件,以GPLv2许可协议开源发布,基于Sphinx研发并独立发布,专攻中文搜索和信息处理领域,适用于行业/垂直搜索、论坛/站内搜索、数据库搜索、文档/文献检索、信息检索、数据挖掘等...

    中文搜索引擎sphinx索引coreseek-4.1-beta.zip压缩文件

    coreseek是一款基于sphinx开源的搜索引擎,因为sphinx只支持英文和俄文(即只能进行英文分词和俄文分词),所以如果要使用sphinx做中文搜索的话,需要自己独立去导入中文词库。而coreseek里集成了中文词库模块mmseg,...

    站内全文搜索引擎 coreseek

    coreseek是在sphinx的基础上,增加了中文分词功能,换句话说,就是支持了中文。 Coreseek发布了3.2.14版本和4.1版本,其中的3.2.14版本是2010年发布的,它是基于Sphinx0.9.9搜索引擎的。而4.1版本是2011年发布的,...

    coreseek-4.1-win32.rar

    中文的sphinx coreseek,搜索引擎,搭配Sphinx进行中文分词搜索

    coreseek-3.2.14稳定版,,站内中文检索

    sphinx coreseek-3.2.14.tar.gz稳定版,中文检索利器。

    coreseek-4.1.zip windows版

    Coreseek的windows版本,因为官网打不开,因此上传此。 搭配Sphinx进行中文分词搜索

    coreseek41-windows.zip

    sphinx中文分词

    coreseek-3.2.14-win32

    基于sphinx的中文检索Sphinx如果需要对中文进行全文 检索,也得需要一些插件来补充。其中我知道的插件有 coreseek

    coreseek4.1 for window

    coreseek4.1 window版本,sphinx 中文检索搜索引擎!

Global site tag (gtag.js) - Google Analytics