刘春龙的博客

前段时间研究中文全文搜索，结果发现mysql不支持中文的全文搜索。但是有一些解决办法，就是手动把中文单词用空格分开，然后搜索的时候加上 in boolean mode。 但是这就带来一个问题，就是中文分词。这个是个很大的难题，貌似中科院有个小组就是专门做中文分词技术的。我们用php来分词的话，要实现真正语义上的分词是非常困难的，就算实现了效率也不高。一般情况下，我们采用的是如下方法分词： 这样虽然看起来有点傻，但是实际应用起来确实可行，因为我们搜索时候输入的关键词也是按照这个方法分词。 下面有个我自己写的函数，可以实现这种分词。传入三个参数，分别是： 注意，这里输入和输出的字符串编码都是UTF-8

function string2words($s,$return_string = true,$encode64 = true)
{
        $re = '';
        //匹配汉字
        if (preg_match_all("/([x{4e00}-x{9fff}]{2,})/u",$s,$ms))
        {
                foreach($ms[0] as $w)
                {
                        //关键部分：分词
                        $l = strlen($w)/3;
                        for($i=0;$i<$l;$i++)
                        {
                                $wi = substr($w,$i*3,6);
                                if (strlen($wi) > 3)
                                {
                                        $re .= ($encode64)?' '.str_replace(',','@',base64_encode($wi)):' '.$wi;
                                }
                        }
                }
        }
        //匹配数字
        if (preg_match_all("/(d+[.]?d+)/",$s,$ms))
        {
                foreach($ms[0] as $wi)
                {
                        if(strlen($wi) >= 2)
                        {
                                $re .= ($encode64)?' '.str_replace(',','@',base64_encode($wi)):' '.$wi;
                        }
                }
                $s = preg_replace("/(d+[.]?d+)/",' ',$s);
        }
        //去掉所有双字节字符
        $s = preg_replace("/([^x{00}-x{ff}]+)/u",' ',$s);
        $re = $s.' '.$re;
        if (!$return_string)
        {
                $re = preg_replace("/([^d])([,.-?n])([^d])/",'$1 $3',$re);
                $re = trim(preg_replace("/[s]{2,}/",' ',$re));
                $arr = explode(' ',$re);
                $re = array();
                foreach($arr as $a)
                {
                        if (strlen($a) >= 2) $re[] = $a;
                }
                return $re;
        }
        else
        {
                $re = trim(preg_replace("/[s,.]{2,}/",' ',$re));
                return $re;
        }
}

6050 read 11 comment(s)