2008-6
22
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:
- scws_t seg;
- /* Break a sentence of text and extract words. */
- void est_break_text(const char *text, CBLIST *list, int norm, int tail){
- // hack by renlu.xu
- CBLIST *words;
- const unsigned char *word, *next;
- unsigned char *utext;
- char *tmp;
- int i, j, k, size, cc, wsiz, nsiz, tsiz;
- assert(text && list);
- if(seg==NULL)
- {
- seg=scws_new();
- scws_set_charset(seg,"UTF-8");
- scws_set_rule(seg,"/home/y/etc/rules.utf8.ini");
- int xmode=0;
- scws_set_dict(seg,"/home/y/etc/dict.xdb",(xmode & XMODE_DICT_MEM) ? SCWS_XDICT_MEM : SCWS_XDICT_XDB);
- if(seg->d == NULL && !(xmode & XMODE_NO_TIME))
- fprintf(stderr, "WARNING: input dict file load failed. /home/y/etc/dict.xdb\n");
- }
- int fsize;
- fsize=strlen(text);
- scws_send_text(seg,text,fsize);
- scws_res_t res,cur;
- while ((cur = res = scws_get_result(seg))!= NULL)
- {
- while (cur != NULL)
- {
- cblistpush(list,text+cur->off,cur->len);
- cur = cur->next;
- }
- scws_free_result(res);
- }
- int iter_i;
- int wsize=0;
- fprintf(stderr,"\nsegmented words:\n");
- for(iter_i=0;iter_i<cblistnum(list);iter_i++){
- word=CB_LISTVAL2(list,iter_i,wsize);
- fprintf(stderr,"%s\t",word);
- }
- return ;
- }
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:
- #include "scws.h"
并修改Hyperestraier的Makefile:
- LIBS = -lqdbm -lz -lm -lc -lscws
然后make && make install
下面作个测试:
- #!/bin/sh
- #file:test.sh
- rm -rf test_db
- estcmd create test_db
- find ./ -name "1.txt" -type f |estcmd gather -cl -fm -cm test_db -
- 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]
你好 我是飞豆网的 ANGEL 想与贵站合作。请联系我QQ 604001149
QQ…我没法上
等有机会上QQ再联系..
可以留个msn