社区全文检索引擎Hyper Estraier 学习笔记[3]

06月 22, 2008 on 12:26 pm | In 未分类 |

经过摸索，我决定给HyperEstraier加上由Hightman写的scws支持，使之支持中文分词。
实地看了代码之后，发现Hyperestraier的结构划分并不好，这可能决定了他只能是某些Hacker的心血之作，而不适用多人协作开发，大规模推广应用。这是旁话。
既然找到分词默认是使用的estraier.c的est_break_text函数，那我的目标就是改造这个函数,现在这个函数被我改成了:

  1. scws_t seg;
  2. /* Break a sentence of text and extract words. */
  3. void est_break_text(const char *text, CBLIST *list, int norm, int tail){
  4. // hack by renlu.xu
  5.   CBLIST *words;
  6.   const unsigned char *word, *next;
  7.   unsigned char *utext;
  8.   char *tmp;
  9.   int i, j, k, size, cc, wsiz, nsiz, tsiz;
  10.   assert(text && list);
  11. if(seg==NULL)
  12. {
  13. seg=scws_new();
  14. scws_set_charset(seg,"UTF-8");
  15. scws_set_rule(seg,"/home/y/etc/rules.utf8.ini");
  16. int xmode=0;
  17. scws_set_dict(seg,"/home/y/etc/dict.xdb",(xmode & XMODE_DICT_MEM) ? SCWS_XDICT_MEM : SCWS_XDICT_XDB);
  18. if(seg->d == NULL && !(xmode & XMODE_NO_TIME))
  19.         fprintf(stderr, "WARNING: input dict file load failed. /home/y/etc/dict.xdb\n");
  21. }
  22. int fsize;
  23.     fsize=strlen(text);
  24.     scws_send_text(seg,text,fsize);
  25. scws_res_t res,cur;
  26. while ((cur = res = scws_get_result(seg))!= NULL)
  27. {                                                           
  28. while (cur != NULL)                                     
  29. {             
  30. cblistpush(list,text+cur->off,cur->len);
  31. cur = cur->next;                                   
  32. }                                                       
  33. scws_free_result(res);                                 
  34. }
  35. int iter_i;
  36. int wsize=0;
  37. fprintf(stderr,"\nsegmented words:\n");
  38. for(iter_i=0;iter_i<cblistnum(list);iter_i++){
  39. word=CB_LISTVAL2(list,iter_i,wsize);
  40. fprintf(stderr,"%s\t",word);
  41. }
  42. return ;
  43.  }

Ok,其中函数中最后一个for语句是为了调试，看看分词结果如何。
这里用到的scws_send_text等函数是hightman的scws中定义的，因此需要在estraier.c的文件头加上:

  1. #include "scws.h"

并修改Hyperestraier的Makefile:

  1. LIBS = -lqdbm -lz -lm -lc  -lscws

然后make && make install
下面作个测试:

  1. #!/bin/sh
  2. #file:test.sh
  3. rm -rf test_db
  4. estcmd create test_db
  5. find ./ -name "1.txt" -type f |estcmd gather -cl -fm -cm test_db -
  6. estcmd search -vx -max 10 test_db '索引'

根据打印的结果，中文分词已经加入到索引过程中去了!

社区全文检索引擎Hyper Estraier 学习笔记[1]

社区全文检索引擎Hyper Estraier 学习笔记[2]

社区全文检索引擎Hyper Estraier 学习笔记[3]

2条评论 »

评论 RSS Feed。 TrackBack URI

  1. 你好 我是飞豆网的 ANGEL 想与贵站合作。请联系我QQ 604001149

    评论 由 angel — 06月 27, 2008 #

  2. QQ…我没法上
    等有机会上QQ再联系..
    可以留个msn

    评论 由 xurenlu — 06月 27, 2008 #

发表评论

XHTML: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>

Powered by WordPress with Pool theme design by Borja Fernandez.
Entries and comments feeds. Valid XHTML and CSS. ^Top^