中文分词

redaug

MySQL-5.1.30的scws-1.x分词插件
作者:
hightman

                                               
                                                       
@Author: hightman
@Website:
http://www.hightman.cn/bbs
@download:
http://www.hightman.cn/down/myft-5.1.30-081231.tgz
[ 基本说明 ]
这是以 mysql-5.1.30 为环境开发制作的 mysql 全文检索分词插件。原则上应该适用整个 5.1.x 系列。
mysql 内置的全文检索仅支持 myisam 类型的表，默认的不支持中文分词。本插件依托 scws-1.0.1 分词系统，
scws 是由我开发的免费开源的中文分词系统，纯 C 开发的函数库。安装本插件必须先安装 scws-1.x。
安装本插件后，系统会注册一个名为 scws_parser 的分词器，可以在 mysql 中直接使用它，对于小型全文检索
需求，十分方便。
MyFT 系列之前曾发过布 5.1.11 和 4.0.27 的版本，旧版是简单的分词算法并不理想，建议改为本版。
[ 安装 & 测试]
1. 首先确定您在您的服务器上以源码方式安装了 mysql 5.1.x/　，
   假设您的 mysql-5.1.x 安装在 $prefix 目录 （通常为 /usr/local/mysql5）
   务必是源码方式，里头一些自定义函数功能还需要对代码打补丁。
2. 接下来您必须先安装 scws-1.0.x 系统，相关的安装说明及下载文件请访问：
   
http://www.ftphp.com/scws
  假设安装在 $scws_dir 目录（建议为 /usr/local/scws）
   注意要同步下载相应的词典档和规则集并放到 $scws_dir/etc 目录中去。
   否则相应的字符集词典／规则集文件不存在的话则会自动采用默认的简易分词法。
3. 下载本插件代码：http://www.hightman.cn/down/myft-5.1.30-081231.tgz
4. 下载后将 tgz 文件复制到您安装的 mysql-5.1 的源代码所在目录里，然后解开：
   tar xvzf myft-5.1.30-081231.tgz
   解开后有一个 scws 目录被放到 plugin/ 目录里
   还有一个 myft_scws_udf_5.1.30.patch  补丁文件及本文件 README.myft-hightman
   
5. 对 mysql 源码打补丁，以支持自定义函数中获取正确的字符集
   在 mysql 源码目录执行 patch -p0   
    3) 在返回结果太长（特别是开启 multi的情况下）会被裁断，以 ... 结尾（不必担心！）
    4) 测试：
mysql> SELECT SCWS_SEGMENT('我是中国人');
+---------------------------------+
| SCWS_SEGMENT('我是中国人')      |
+---------------------------------+
| 我 是 中国人                    |
+---------------------------------+
1 row in set (0.00 sec)
mysql> SELECT SCWS_SEGMENT(title) FROM test_utf8;
+-------------------------------+
| SCWS_SEGMENT(title)           |
+-------------------------------+
| MySQL Tutorial                |
| How To Use MySQL Efficiently  |
| Optimising MySQL              |
| 1001 MySQL Tricks             |
| MySQL vs . YourSQL            |
| MySQL Security                |
| 中国 测试                     |
| 疯狂 测 中国 测试             |
| 中国 语言 测试                |
| 我爱 china                    |
+-------------------------------+
10 rows in set (0.00 sec)
11. 自定义函数 SCWS_TOPWORDS()，该函数返回字符串中的核心关键词列表;
    1) 创建函数（只需一次）：CREATE FUNCTION scws_topwords RETURNS STRING SONAME 'libftscws.so';
    2) 接受 1~3 个参数，分别为：  
       词性多个之间用,分隔，以~开头则表示除这些词性以外。。。和 scws 用法一样。
    3) 返回结果是由符合条件的关键词及其词性和次数组成，各词之间用空格连接
       //
      
    4) 测试：
mysql> SELECT SCWS_TOPWORDS('我是中国人，中国人很有志气');
+----------------------------------------------------------+
| SCWS_TOPWORDS('我是中国人，中国人很有志气')              |
+----------------------------------------------------------+
| 中国人/n/2 志气/n/1                                      |
+----------------------------------------------------------+
1 row in set (0.00 sec)
mysql> SELECT SCWS_TOPWORDS(CONCAT(title, ' ', body)) FROM test_utf8;
+--------------------------------------------------------------------------------------------------+
| SCWS_TOPWORDS(CONCAT(title, ' ', body))                                                          |
+--------------------------------------------------------------------------------------------------+
| DataBase/en/1 Tutorial/en/1 stands/en/1 MySQL/en/1 DBMS/en/1 for/en/1                            |
| Efficiently/en/1 through/en/1 After/en/1 MySQL/en/1 went/en/1 How/en/1 Use/en/1 you/en/1 To/en/1 |
| Optimising/en/1 tutorial/en/1 MySQL/en/1 this/en/1 show/en/1 will/en/1 In/en/1 we/en/1           |
| Tricks/en/1 mysqld/en/1 MySQL/en/1 Never/en/1 1001/en/1 root/en/1 run/en/1 as/en/1               |
| comparison/en/1 following/en/1 database/en/1 YourSQL/en/1 MySQL/en/1 the/en/1 In/en/1 vs/en/1    |
| MySQL/en/2 configured/en/1 Security/en/1 properly/en/1 When/en/1                                 |
| 中国/ns/1 这样/r/1 测试/vn/1 可以/v/1                                                            |
| 中国/ns/1 应该/v/1 疯狂/an/1 这样/r/1 测试/vn/1 可以/v/1                                         |
| 中国/ns/1 不行/a/1 语言/n/1 这样/r/1 测试/vn/1 又是/n/1                                          |
| china/en/2 祖国/n/1 我爱/n/1                                                                     |
+--------------------------------------------------------------------------------------------------+
10 rows in set (0.00 sec)
12. 全文检索中的停用词表，类似词典和规则集一样放在 $scws_dir/etc 中
    分别为：stops.[$charset.]txt
            rules.[$charset.]ini
            dict.[$charset.]xdb
    如果 $charset 没有指定，则默认即为 gbk          
    rules dict 采用 scws-1.x 的格式, stops.txt 用的是每行一个词即可，自行建立。
　  名称：PHPCWS（PHP中文分词扩展）
　　协议：New BSD License
　　作者：张宴
　　网址：
http://code.google.com/p/phpcws/
　　SVN：
http://code.google.com/p/phpcws/source/browse/#svn/trunk/phpcws
　　一、PHPCWS 简介
　　1、什么是 PHPCWS ？
　　PHPCWS 是一款开源的PHP中文分词扩展，目前仅支持Linux/Unix系统。
　　PHPCWS 先使用“ICTCLAS 3.0 共享版中文分词算法”的API进行初次分词处理，再使用自行编写的“逆向最大匹配算法”对分词和进行词语合并处理，并增加标点符号过滤功能，得出分词结果。
　　
ICTCLAS
（Institute
of Computing Technology, Chinese Lexical Analysis
System）是中国科学院计算技术研究所在多年研究工作积累的基础上，基于多层隐马模型研制出的汉语词法分析系统，主要功能包括中文分词；词性标注；命
名实体识别；新词识别；同时支持用户词典。ICTCLAS经过五年精心打造，内核升级6次，目前已经升级到了ICTCLAS3.0，分词精度
98.45%，各种词典数据压缩后不到3M。ICTCLAS在国内973专家组组织的评测中活动获得了第一名，在第一届国际中文处理研究机构SigHan
组织的评测中都获得了多项第一名，是当前世界上最好的汉语词法分析器。
　　ICTCLAS 3.0 商业版是收费的，而免费提供的
ICTCLAS 3.0
共享版不开源，词库是根据人民日报一个月的语料得出的，很多词语不存在。所以本人对ICTCLAS分词后的结果，再采用逆向最大匹配算法，根据自己补充的
一个9万条词语的自定义词库（与ICTCLAS词库中的词语不重复），对ICTCLAS分词结果进行合并处理，输出最终分词结果。
　　由于 ICTCLAS 3.0 共享版只支持GBK编码，因此，如果是UTF-8编码的字符串，可以先用PHP的iconv函数转换成GBK编码，再用phpcws_split函数进行分词处理，最后转换回UTF-8编码。
　　2、PHPCWS 中文分词在线演示
　　演示网址：
http://blog.s135.com/demo/phpcws/
　　3、PHPCWS 分词速度及用途
　　初次使用时，Apache 或 php-cgi(FastCGI) 进程，需要加载一次词库到内存中，需要0.0X秒。58字节的一句话——“2009年2月13日，我编写了一款PHP中文分词扩展：PHPCWS 1.0.0。”，分词速度只需0.0003秒。
　　PHPCWS 属于《
亿级数据的高并发通用搜索引擎架构设计
》
的一部分，用作“搜索查询接口”的关键字分词处理。在此架构中，Sphinx索引引擎对于CJK（中日韩）语言支持一元切分，假设【反恐行动是国产主视角
射击网络游戏】这段文字，Sphinx会将其切成【反 恐 行 动 是 国 产 主 视 角 射 击 网 络 游
戏】，然后对每个字建立反向索引。如果用这句话中包含的字组成一个不存在的词语，例如【恐动】，也会被搜索到，所以搜索时，需要加引号，例如搜索【"反恐
行动"】，就能完全匹配连在一起的四个字，不连续的【"恐动"】就不会被搜索到。但是，这样还有一个问题，搜索【"反恐行动游戏"】或【"国产网络游
戏"】就会搜索不到。所以，我在搜索层写了个PHP中文分词扩展，搜索“反恐行动游戏”、“国产网络游戏”，会被PHPCWS中文分词函数分别切分为“反
恐行动 游戏”、“国产 网络游戏”，这时候，用PHP函数给以空格分隔的词语加上引号，去搜索【"反恐行动" "游戏"】或【"国产"
"网络游戏"】，就能搜索到这条记录了。由于PHPCWS位于搜索层，中文分词词库发生增、删、改，只需平滑重启一次Web服务器或php-cgi进程即
可，无需重建搜索索引。
　　根据上述情况，对于那些采用二元交叉切分的搜索引擎，PHPCWS用在前端搜索层对用户输入的搜索关键字、短语进行分词处理，同样适合。PHPCWS开发的目的正在于此，对于短句、小文本中文分词切分，速度非常之快。
　　4、自定义词库
　　自定义词库名称为
userdict.tch
，格式为 Tokyo Cabinet DBM 的 Abstract key-value 内存哈希数据库（key为GBK编码的词语名词，value为词频。目前词频均填1，暂时用不上）。自定义词库的修改在安装步骤中会详细介绍。
　　二、PHPCWS 1.0.0 安装步骤
　　1、安装 Tokyo Cabinet 数据库：
wget
http://tokyocabinet.sourceforge.net/tokyocabinet-1.4.5.tar.gz
tar zxvf tokyocabinet-1.4.5.tar.gz
cd tokyocabinet-1.4.5/
./configure --prefix=/usr/local/tokyocabinet-1.4.5
make && make install
mkdir -p /usr/local/tokyocabinet-1.4.5/lib/static/
cp -f /usr/local/tokyocabinet-1.4.5/lib/*.a /usr/local/tokyocabinet-1.4.5/lib/static/
echo "/usr/local/tokyocabinet-1.4.5/lib" >> /etc/ld.so.conf
/sbin/ldconfig
cd ../
　　2、安装 PHPCWS 扩展：
wget
http://phpcws.googlecode.com/files/phpcws-1.0.0.tar.gz
tar zxvf phpcws-1.0.0.tar.gz
cd phpcws-1.0.0/
/usr/local/webserver/php/bin/phpize
./configure --with-php-config=/usr/local/webserver/php/bin/php-config --with-tc=/usr/local/tokyocabinet-1.4.5
make && make install
cd ../
　　注：其中/usr/local/webserver/php/为您的PHP安装目录。
　　3、安装 ICTCLAS 3.0 词库和 PHPCWS 自定义词库（词库汉字编码均为GBK）：
cd /usr/local/
wget
http://phpcws.googlecode.com/files/phpcws-dict-1.0.0.tar.gz
tar zxvf phpcws-dict-1.0.0.tar.gz
mv phpcws-dict-1.0.0 phpcws
　　您可以往自定义词库内增加自己的词语，方法如下：
cd /usr/local/phpcws/
#如果userdict.tch已经被PHP加载，请拷贝一个备份
cp userdict.tch userdict_new.tch
#添加新词语
/usr/local/tokyocabinet-1.4.5/bin/tcamgr put userdict_new.tch 词语一 1
/usr/local/tokyocabinet-1.4.5/bin/tcamgr put userdict_new.tch 词语二 1
查询某个词语是否已经在词库内
/usr/local/tokyocabinet-1.4.5/bin/tcamgr get userdict_new.tch 词语名词
#删除一个词语
/usr/local/tokyocabinet-1.4.5/bin/tcamgr out userdict_new.tch 词语名称
#将修改后的新词库覆盖回原词库
mv userdict_new.tch userdict.tch
#重启您的Apache服务器，或php-cgi(FastCGI)进程。
#例如重启php-cgi(FastCGI)进程：
/usr/local/webserver/php/sbin/php reload
　　您可以从
搜狗细胞词库网站
下载自己需要的行业分类文本词库，整合到PHPCWS自定义词库中。
　　4、修改您的php.ini文件，增加以下几行内容：
[phpcws]
extension = "phpcws.so"
phpcws.dict_path = "/usr/local/phpcws"
　　5、重启您的Apache服务器，或php-cgi(FastCGI)进程
　　6、查看您的phpinfo信息，如果搜索到以下内容，则表明安装成功：
　　

　　三、PHPCWS 1.0.0 调用方式
　　1、PHPCWS扩展拥有一个PHP函数：
　　string phpcws_split ( string $text [, string $interpunction ] )
　　参数说明：
　　$text 为GBK编码的文本内容；
　　$interpunction 为可选参数，用来控制是否过滤标点符号。
　　①、值为空时，表示不过滤；
　　②、值为"default"时，过滤掉默认的标点符号，即以下标点符号：
　　,.!！＂＃￥％＆｀＇（）〔〕〈〉《》「」『』〖〗【】．＊＋，－．。、？…—·ˉˇ¨‘’“”々～‖∶＂／：；｜〃＜＝＞？＠［＼］＾＿｀｛｜｝￣
　　③、值为其他字符串时，表示过滤掉自定义的标点符号，例如值为",.!，。！"即过滤掉半角、全角的逗号、句号、感叹号。
　　2、PHP中文分词实例：
　　①、对GBK编码的字符串进行中文分词处理（example_gbk.php）：
@header('Content-Type: text/html; charset=gb2312');  $text = "2009年2月13日，我编写了一款PHP中文分词扩展：PHPCWS 1.0.0。";    echo "分词结果为：
";  $result = phpcws_split($text);  echo $result . "
";    echo "过滤掉默认标点符号的分词结果为：
";  $result = phpcws_split($text, "default");  echo $result . "
";    echo "过滤掉全角逗号与冒号的分词结果为：
";  $result = phpcws_split($text, "，：");  echo $result . "
";  ?>  
　　②、对UTF-8编码的字符串进行中文分词处理（example_utf8.php）：
@header('Content-Type: text/html; charset=utf-8');  $text = "2009年2月13日，我编写了一款PHP中文分词扩展：PHPCWS 1.0.0。";  $text = iconv("UTF-8", "GBK//IGNORE", $text);    echo "分词结果为：
";  $result = phpcws_split($text);  $result = iconv("GBK", "UTF-8//IGNORE", $result);  echo $result . "
";    echo "过滤掉默认标点符号的分词结果为：
";  $result = phpcws_split($text, "default");  $result = iconv("GBK", "UTF-8//IGNORE", $result);  echo $result . "
";    echo "过滤掉全角逗号与冒号的分词结果为：
";  $result = phpcws_split($text, "，：");  $result = iconv("GBK", "UTF-8//IGNORE", $result);  echo $result . "
";  ?>  
　　输出结果为：
分词结果为：
2009年 2月 13日 ， 我 编写 了 一款 PHP 中文 分词 扩展 ： PHPCWS 1.0.0 。
过滤掉默认标点符号的分词结果为：
2009年 2月 13日 我 编写 了 一款 PHP 中文 分词 扩展 PHPCWS 1.0.0
过滤掉全角逗号与冒号的分词结果为：
2009年 2月 13日 我 编写 了 一款 PHP 中文 分词 扩展 PHPCWS 1.0.0 。
　　以上两个实例PHP程序文件可以从SVN中获取：
svn checkout
http://phpcws.googlecode.com/svn/trunk/php-example/
php-example


本文来自ChinaUnix博客，如果查看原文请点：http://blog.chinaunix.net/u/13284/showart_1854560.html