PHP中国語分詞アルゴリズム及びコード実現
簡単な中国語分詞アルゴリズム、二元分詞のPHPコード:
「蘇杭、人間の天国paradise」は二元分詞を経て、次のように変わった.
変換後の結果は次のとおりです.
paradise 43532628 40432868 28682136 21364476 44764435
最後に得られた結果をライブラリに入れ、全文インデックステーブルを挿入し、結果はインデックステーブルのfulltextインデックスフィールドを挿入する必要があります.
$str = ' , paradise!';
//$str = iconv('GB2312','UTF-8',$str);
$result = spStr($str);
print_r($result);
/**
* UTF-8
*/
function spStr($str)
{
$cstr = array();
$search = array(",", "/", "\\", ".", ";", ":", "\"", "!", "~", "`", "^", "(", ")", "?", "-", "\t", "
", "'", "<", ">", "\r", "\r
", "{1}quot;", "&", "%", "#", "@", "+", "=", "{", "}", "[", "]", ":", ")", "(", ".", "。", ",", "!", ";", "“", "”", "‘", "’", "[", "]", "、", "—", " ", "《", "》", "-", "…", "【", "】",);
$str = str_replace($search, " ", $str);
preg_match_all("/[a-zA-Z]+/", $str, $estr);
preg_match_all("/[0-9]+/", $str, $nstr);
$str = preg_replace("/[0-9a-zA-Z]+/", " ", $str);
$str = preg_replace("/\s{2,}/", " ", $str);
$str = explode(" ", trim($str));
foreach ($str as $s) {
$l = strlen($s);
$bf = null;
for ($i= 0; $i< $l; $i=$i+3) {
$ns1 = $s{$i}.$s{$i+1}.$s{$i+2};
if (isset($s{$i+3})) {
$ns2 = $s{$i+3}.$s{$i+4}.$s{$i+5};
if (preg_match("/[\x80-\xff]{3}/",$ns2)) $cstr[] = $ns1.$ns2;
} else if ($i == 0) {
$cstr[] = $ns1;
}
}
}
$estr = isset($estr[0])?$estr[0]:array();
$nstr = isset($nstr[0])?$nstr[0]:array();
return array_merge($nstr,$estr,$cstr);
}
「蘇杭、人間の天国paradise」は二元分詞を経て、次のように変わった.
Array ( [0] => paradise [1] => [2] => [3] => [4] => [5] => )
次に、以上の結果を1バイトに変換し、md 5、base 64、sha 1などを使用できますが、これらの変換後の文字が長すぎて、記憶空間が多すぎて、漢字、漢字のシフトコードのPHPコードをブロックコードで表すことができます.foreach ($result as $s) {
$s = iconv('UTF-8','GB2312',$s);
$code[] = gbCode($s);
}
$code = implode(" ", $code);
echo $code;
function gbCode($str) {
$return = null;
if (!preg_match("/^[\x80-\xff]{2,}$/",$str)) return $str;
$len = strlen($str);
for ($i= 0; $i< $len; $i=$i+2) {
$return .= sprintf("%02d%02d",ord($str{$i})-160,ord($str{$i+1})-160);
}
return $return;
}
変換後の結果は次のとおりです.
paradise 43532628 40432868 28682136 21364476 44764435
最後に得られた結果をライブラリに入れ、全文インデックステーブルを挿入し、結果はインデックステーブルのfulltextインデックスフィールドを挿入する必要があります.