對於中文搜索引擎來說， 中文分詞是整個系統最基礎的部分之一， 因為目前基於單字的中文搜索算法並不是太好。 當然， 本文不是要對中文搜索引擎做研究， 而是分享如果用 PHP 做一個站內搜索引擎。 本文是這個系統中的一篇。
我使用的分詞工具是中科院計算所的開源版本的 ICTCLAS。 另外還有開源的 Bamboo， 我隨後也會對該工具進行調研。
從 ICTCLAS 出發是個不錯的選擇， 因為其算法傳播比較廣泛， 有公開的學術文檔， 並且編譯簡單， 庫依賴少。 但目前只提供了 C/C++， Java 和 C# 版本的代碼， 並沒有 PHP 版本的代碼。 怎麼辦呢? 也許可以學習它的 C/C++ 源碼和學術文檔中， 然後再開發一個 PHP 版本出來。 不過， 我要使用進程間通信， 在 PHP 代碼裡調用 C/C++ 版本的可執行文件。
下載源碼解壓後， 在有 C++ 開發庫和編譯環境的機器上直接 make ictclas 即可。 它的 Makefile 腳本有個錯誤， 執行測試的代碼沒有加上'。/'， 當然不能像 Windows 下執行成功了。 但也不影響編譯結果。
進行中文分詞的 PHP 類就在下面了， 用 proc_open() 函數來執行分詞程序， 並通過管道和其交互， 輸入要進行分詞的文本， 讀取分詞結果。
<?php
class NLP{
private static $cmd_path;
// 不以'/'結尾
static function set_cmd_path($path){
self::$cmd_path = $path;
}
private function cmd($str){
$descriptorspec = array(
0 => array("pipe", "r"),
1 => array("pipe", "w"),
);
$cmd = self::$cmd_path . "/ictclas";
$process = proc_open($cmd, $descriptorspec, $pipes);
if (is_resource($process)) {
$str = iconv('utf-8', 'gbk', $str);
fwrite($pipes[0], $str);
$output = stream_get_contents($pipes[1]);
fclose($pipes[0]);
fclose($pipes[1]);
$return_value = proc_close($process);
}
/*
$cmd = "printf '$input' | " . self::$cmd_path . "/ictclas";
exec($cmd, $output, $ret);
$output = join("\n", $output);
*/
$output = trim($output);
$output = iconv('gbk', 'utf-8', $output);
return $output;
}
/**
* 進行分詞, 返回詞語列表.
*/
function tokenize($str){
$tokens = array();
$output = self::cmd($input);
if($output){
$ps = preg_split('/\s+/', $output);
foreach($ps as $p){
list($seg, $tag) = explode('/', $p);
$item = array(
'seg' => $seg,
'tag' => $tag,
);
$tokens[] = $item;
}
}
return $tokens;
}
}
NLP::set_cmd_path(dirname(__FILE__));
?>
使用起來很簡單(確保 ICTCLAS 編譯後的可執行文件和詞典在當前目錄)：
<?php
require_once('NLP.php');
var_dump(NLP::tokenize('Hello, World!'));
?>
