`

coreseek一元切分模式中英文单词切分问题

 
阅读更多

段时间因为要写一个搜索。捡回了sphinx。sphinx是个好东西阿。配置起来简单,使用起来方便。

国内有一个corkseek中文优化版。虽然sphinx也可以解决中文问题。但是索引数量会爆增(没有中文词库。)。利用sphinx本身的优先级算法,搜索准确率倒无需担心。因为freebsd上没有corkseek这个ports包,作为部署应用还是不稳妥。所以直接安装了sphinx。

其他的东西就不赘叙了。sphinx支持中文需要设置2个地方。均在sphinx.conf里.charset_table和ngram_chars。

charset_table = U+FF10..U+FF19->0..9, 0..9, U+FF41..U+FF5A->a..z, U+FF21..U+FF3A->a..z,A..Z->a..z, a..z, U+0149, U+017F, U+0138, U+00DF, U+00FF, U+00C0..U+00D6->U+00E0..U+00F6,U+00E0..U+00F6, U+00D8..U+00DE->U+00F8..U+00FE, U+00F8..U+00FE, U+0100->U+0101, U+0101, U+0102->U+0103, U+0103, U+0104->U+0105, U+0105, U+0106->U+0107, U+0107, U+0108->U+0109,U+0109, U+010A->U+010B, U+010B, U+010C->U+010D, U+010D, U+010E->U+010F, U+010F,U+0110->U+0111, U+0111, U+0112->U+0113, U+0113, U+0114->U+0115, U+0115, U+0116->U+0117,U+0117, U+0118->U+0119, U+0119, U+011A->U+011B, U+011B, U+011C->U+011D, U+011D,U+011E->U+011F, U+011F, U+0130->U+0131, U+0131, U+0132->U+0133, U+0133, U+0134->U+0135,U+0135, U+0136->U+0137, U+0137, U+0139->U+013A, U+013A, U+013B->U+013C, U+013C,U+013D->U+013E, U+013E, U+013F->U+0140, U+0140, U+0141->U+0142, U+0142, U+0143->U+0144,U+0144, U+0145->U+0146, U+0146, U+0147->U+0148, U+0148, U+014A->U+014B, U+014B,U+014C->U+014D, U+014D, U+014E->U+014F, U+014F, U+0150->U+0151, U+0151, U+0152->U+0153,U+0153, U+0154->U+0155, U+0155, U+0156->U+0157, U+0157, U+0158->U+0159, U+0159,U+015A->U+015B, U+015B, U+015C->U+015D, U+015D, U+015E->U+015F, U+015F, U+0160->U+0161,U+0161, U+0162->U+0163, U+0163, U+0164->U+0165, U+0165, U+0166->U+0167, U+0167,U+0168->U+0169, U+0169, U+016A->U+016B, U+016B, U+016C->U+016D, U+016D, U+016E->U+016F,U+016F, U+0170->U+0171, U+0171, U+0172->U+0173, U+0173, U+0174->U+017C, U+017D->U+017E, U+017E, U+0410..U+042F->U+0430..U+044F, U+0430..U+044F,U+05D0..U+05EA, U+0531..U+0556->U+0561..U+0586, U+0561..U+0587, U+0621..U+063A, U+01B9,U+01BF, U+0640..U+064A, U+0660..U+0669, U+066E, U+066F, U+0671..U+06D3, U+06F0..U+06FF,U+0904..U+0939, U+0958..U+095F, U+0960..U+0963, U+0966..U+096F, U+097B..U+097F,U+0985..U+09B9, U+09CE, U+09DC..U+09E3, U+09E6..U+09EF, U+0A05..U+0A39, U+0A59..U+0A5E,U+0A66..U+0A6F, U+0A85..U+0AB9, U+0AE0..U+0AE3, U+0AE6..U+0AEF, U+0B05..U+0B39,U+0B5C..U+0B61, U+0B66..U+0B6F, U+0B71, U+0B85..U+0BB9, U+0BE6..U+0BF2, U+0C05..U+0C39,U+0C66..U+0C6F, U+0C85..U+0CB9, U+0CDE..U+0CE3, U+0CE6..U+0CEF, U+0D05..U+0D39, U+0D60,U+0D61, U+0D66..U+0D6F, U+0D85..U+0DC6, U+1900..U+1938, U+1946..U+194F, U+A800..U+A805,U+A807..U+A822, U+0386->U+03B1, U+03AC->U+03B1, U+0388->U+03B5, U+03AD->U+03B5,U+0389->U+03B7, U+03AE->U+03B7, U+038A->U+03B9, U+0390->U+03B9, U+03AA->U+03B9,U+03AF->U+03B9, U+03CA->U+03B9, U+038C->U+03BF, U+03CC->U+03BF, U+038E->U+03C5,U+03AB->U+03C5, U+03B0->U+03C5, U+03CB->U+03C5, U+03CD->U+03C5, U+038F->U+03C9,U+03CE->U+03C9, U+03C2->U+03C3, U+0391..U+03A1->U+03B1..U+03C1,U+03A3..U+03A9->U+03C3..U+03C9, U+03B1..U+03C1, U+03C3..U+03C9, U+0E01..U+0E2E,U+0E30..U+0E3A, U+0E40..U+0E45, U+0E47, U+0E50..U+0E59, U+A000..U+A48F, U+4E00..U+9FBF,U+3400..U+4DBF, U+20000..U+2A6DF, U+F900..U+FAFF, U+2F800..U+2FA1F, U+2E80..U+2EFF,U+2F00..U+2FDF, U+3100..U+312F, U+31A0..U+31BF, U+3040..U+309F, U+30A0..U+30FF,U+31F0..U+31FF, U+AC00..U+D7AF, U+1100..U+11FF, U+3130..U+318F, U+A000..U+A48F,U+A490..U+A4CF

ngram_chars = U+4E00..U+9FBF, U+3400..U+4DBF, U+20000..U+2A6DF, U+F900..U+FAFF,U+2F800..U+2FA1F, U+2E80..U+2EFF, U+2F00..U+2FDF, U+3100..U+312F, U+31A0..U+31BF,U+3040..U+309F, U+30A0..U+30FF, U+31F0..U+31FF, U+AC00..U+D7AF, U+1100..U+11FF,U+3130..U+318F, U+A000..U+A48F, U+A490..U+A4CF

另外,就是charset得改成utf8码,其他的直接看sphinx的pdf文档吧。

分享到:
评论

相关推荐

    coreseek(sphinx + 中文分词)

    Coreseek 是一款中文全文检索/搜索软件,以GPLv2许可协议开源发布,基于Sphinx研发并独立发布,专攻中文搜索和信息处理领域,适用于行业/垂直搜索、论坛/站内搜索、数据库搜索、文档/文献检索、信息检索、数据挖掘等...

    CoreSeek/Sphinx中文手册

    安装过程中可能会遇到一些问题,文档中也提供了一些已知问题的解决方法和快速入门教程,以便新手可以快速上手。 建立索引是Sphinx搜索服务的核心部分,涉及到定义数据源、属性、多值属性(MVA)、索引设置、数据源...

    coreseek3.1.14

    4. **分词技术**:CoreSeek采用了mmseg作为默认的中文分词引擎,支持多种分词算法,如最大匹配法、最少切分法等,确保了对中文文本的精确处理。 5. **索引构建**:在CoreSeek中,索引构建是搜索性能的关键。用户...

    coreseek-3.2.14-win32

    中文分词是将连续的汉字序列切分成具有实际意义的词汇单元,这对于中文信息检索至关重要,因为中文没有明显的空格来区分单词。CoreSeek内嵌了诸如MMSEG(Maximum Matching Segmentation)等分词算法,能够更准确地对...

    coreseek4.1.zip

    Coreseek 是一款中文全文检索/搜索软件,以GPLv2许可协议开源发布,基于Sphinx研发并独立发布,专攻中文搜索和信息处理领域,适用于行业/垂直搜索、论坛/站内搜索、数据库搜索、文档/文献检索、信息检索、数据挖掘等...

    Coreseek Fulltext Server (源码)

    **Coreseek Fulltext Server 源码解析** Coreseek Fulltext Server 是一款开源的全文搜索引擎,专为中文环境设计,提供了强大的全文检索功能。这款服务器软件的源代码开放,允许开发者深入研究其内部机制,为自己的...

    coreseek搜索服务1

    "coreseek搜索服务1"是一个关于使用CoreSeek搭建和优化搜索服务的主题。CoreSeek是一款开源的全文搜索引擎,它集成了Sphinx搜索服务器和中文分词器,为用户提供高效、精准的全文检索功能。在IT领域,全文搜索引擎...

    coreseek站内搜索

    - **中文分词**:CoreSeek针对中文进行了优化,内置了成熟的中文分词引擎,如MMSEG(多模式中文分词算法),能够准确地进行词语划分,提高搜索的精确性。 - **全文索引**:通过建立高效的倒排索引,CoreSeek能够在...

    coreseek的demo 20141224修改

    1. 改进的中文分词:该版本的CoreSeek优化了中文分词算法,提高了对中文词汇的识别准确性。 2. 快速索引:通过Sphinx的实时索引技术,数据更新能够迅速反映到搜索结果中。 3. 高效检索:CoreSeek demo展示了Sphinx的...

    coreseek-4.1-win32

    1. **中文分词**:中文分词是中文信息处理中的重要步骤,因为中文没有像英文那样的空格来区分单词。CoreSeek采用了一种高效的中文分词算法,如MMSEG(Maximal Mutual Information Minimal Subsequence)或ICWS...

    coreseek安装

    【Coreseek 安装】 Coreseek 是一个专为中国市场设计的全文检索和搜索软件,它基于Sphinx技术,但能够独立运行。作为一个开源项目,它遵循GPLv2许可证,广泛应用于各种场景,如行业垂直搜索、论坛内部搜索、数据库...

    coreseek4.1 for window

    在CoreSeek4.1中,我们首先会遇到的核心概念是“索引”。索引是搜索引擎的基础,它如同书的目录,使得用户可以快速找到所需信息。CoreSeek4.1通过分析文本数据,创建出高效的倒排索引,使得搜索查询能够迅速定位到...

    coreseek-3.2.14.tar.gz

    它内置了中文分词器,如mmseg,可以更准确地处理中文词汇的切分,提高搜索的准确性。 3. **索引构建**:在“sphinx索引”这一描述中,提到的是Sphinx的索引构建过程。在使用CoreSeek时,首先需要对数据进行索引,将...

    coreseek-3.2.14.zip

    在这款软件的3.2.14版本中,我们能够深入探讨关于Sphinx搜索引擎、CoreSeek的特点以及如何在项目中应用这些技术。 1. Sphinx搜索引擎: Sphinx是一款高性能、实时的全文搜索引擎,它为开发者提供了方便的API接口,...

    sphinx-coreseek中文手册

    sphinx-coreseek中文手册 sphinx-coreseek中文手册 sphinx-coreseek中文手册 sphinx-coreseek中文手册

    sphinx+coreseek安装配置

    **Sphinx+CoreSeek安装配置指南** Sphinx和CoreSeek是两种强大的全文搜索引擎技术,尤其在处理大量数据的检索和高效率搜索时表现卓越。它们常被用于网站、数据库和其他需要快速、精确搜索功能的应用中。本文将详细...

    coreseek-4.1-win32.rar

    10. **错误排查与维护**:在使用过程中可能会遇到各种问题,如索引失败、搜索异常等。此时,应检查日志文件,根据错误信息进行调试和修复。 总的来说,"coreseek-4.1-win32.rar"提供的CoreSeek和Sphinx组合为开发者...

    coreseek-4.1.tar.gz

    在这个“coreseek-4.1.tar.gz”压缩包中,你找到了Linux版本的CoreSeek 4.1-beta,这对于在Linux环境下搭建中文搜索服务是非常有价值的。 首先,我们要理解什么是Sphinx。Sphinx是一款高性能、全文检索引擎,常用于...

    coreseek-4.1

    在本案例中,我们讨论的是CoreSeek的4.1版本,这是一个针对Windows 64位系统的版本,并且包含了拼音支持。 1. **Sphinx搜索引擎**:Sphinx是一个高性能、可定制的全文搜索引擎,它被设计用于处理大量的数据,提供...

    coreseek中日韩分词词库

    Coreseek的中文词库包含了大量预处理的词语,使得搜索引擎能够正确识别和理解句子中的词汇关系,提高搜索精度。 2. 日语词库(jauni.txt):日语由汉字、平假名和片假名组成,其分词需要考虑词汇的形态变化和组合...

Global site tag (gtag.js) - Google Analytics