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");
20.
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'
分享到:
相关推荐
1.Hyper Estraier是一个用C语言开发的全文检索引擎,他是由一位日本人开发的.工程注册在sourceforge.net(http://hyperestraier.sourceforge.net). 2.Hyper的特性: 高速度,高稳定性,高可扩展性…(这可都是有原因的,...
1.Hyper Estraier是一个用C语言开发的全文检索引擎,他是由一位曰本人开发的.工程注册在sourceforge.net(http://hyperestraier.sourceforge.net). 2.Hyper的特性: 高速度,高稳定性,高可扩展性…(这可都是有原因的,...
内容索引:VC/C++源码,其它分类,HyperEstraier,全文检索 Hyper Estraier是一套基于C的全文检索引擎,这是它的C源代码,很散、很综合,需要有一定基础的人阅读,还牵扯到部分JAVA源码以及RUBY的相关代码,本程序曾是...
网上下的不错的代码,应该对很多人有帮助价值.
这个一个基于estraier的搜索引擎,包括对txt pdf word进行解析。建立索引执行索引
Estraier是用于网站,本地文件系统,邮箱等的个人全文搜索系统。 Estraier具有灵活的界面,它可以使用外部插件处理多语言文档和各种文件格式。
Remora为iPhone和iTouch提供了本地文档搜索功能。 该项目使用开源搜索引擎Hyper Estraier以及Yahoo!提供的实时搜索功能。