社区全文检索引擎Hyper Estraier 学习笔记[3]

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'