coreseek分词配置

最新推荐文章于 2020-11-12 16:06:56 发布

csdn265

最新推荐文章于 2020-11-12 16:06:56 发布

阅读量1.6k

点赞数

分类专栏： ES Sphinx Solr

ES Sphinx Solr 专栏收录该内容

17 篇文章 0 订阅

订阅专栏

中文分词核心配置

coreseek-3.2.13兼容sphinx-0.9.9的配置，可以不经修改，即可直接使用。

不过，为了更好的针对中文进行检索，则需要使用coreseek新增的配置参数，设置中文分词。

以下是中文分词的核心配置，请仔细阅读，应用到自己的配置之中：

source 数据源名称a
{
#......
#该部分的配置，直接采用sphinx的配置，无需更改即可直接使用
#......
}

index 索引名称a
{
#以下部分的配置，直接采用sphinx的配置，无需更改即可直接使用
#......
	source			= 数据源名称a    #对应到source
	path			= var/data/数据源名称a
	docinfo			= extern
	mlock			= 0
	morphology		= none
	min_word_len		= 1
	html_strip		= 0
#......
#以上部分的配置，直接采用sphinx的配置，无需更改即可直接使用
#以下部分为中文分词核心配置
	#stopwords		= /path/to/stowords.txt的位置
	charset_dictpath		= /usr/local/mmseg3/etc/
	charset_type		= zh_cn.utf-8
	#charset_table                    = .................... #需将原有
的该配置注释掉
	ngram_len                    = 0
#以上部分为中文分词核心配置
}

mmseg.ini配置：
mmseg配置文件之中，可以配置英文和数字的切分细则（例如设置china2008作为整体还是切分为china、2008），详情请查看mmseg.ini配置

中文分词核心配置说明：

charset_dictpath =/usr/local/mmseg3/etc/

必须设置，表示词典文件的目录，该目录下必须有uni.lib词典文件存在；

uni.lib词典文件的制作，请参考： mmseg词典的构造；特别注意，更换或者修改词典后，需要重新索引数据并重启searchd才能生效。

因为BSD/linux默认安装在/usr/local/mmseg3/etc下面，则使用/usr/local/mmseg3/etc/即可；

如果是在Windows系统下，则为词典所在的实际路径，结尾必须使用/，例如：F:\coreseek-3.2.13-win32\etc/

测试时，如果出现Unigram dictionary load Error或者Segmentation fault，一般为词典路径设置不正确。

charset_type =zh_cn.utf-8

必须设置，表示启用中文分词功能；否则中文分词功能无效，使用sphinx的其他处理模式。

启用中文分词功能后，需要source数据源之中，读取的数据编码字符集为UTF-8，否则无法正确处理；

如果是xml，则正确输出为UTF-8编码格式即可；

如果是MySQL，则设置读取数据输出字符集为UTF-8即可：

MySQL4.1起可以通过SET NAMES UTF8设定输出字符集为UTF-8，即使原始数据为GBK也可；

MySQL4.1以下版本，请直接联系我们解决GBK或者Latin1输出为UTF-8问题；

#stopwords =/path/to/stowords.txt的位置

可选设置，表示停止词文件，该文件中的词汇（也可以为单字）不参与搜索；文件格式为普通UTF-8文本文件，每行一个；

#charset_table =......
ngram_len =0

必须设置，表示取消原有的一元字符切分模式，不使其对中文分词产生干扰；

charset_table的配置需要注释掉！

ngram_len的配置需要设置为0！

同义词/复合分词设置

针对大家的需要，coreseek所使用的mmseg增加了同义词处理功能，可以实现类似复合分词的处理。

同义词/复合分词基本使用状况为：
词库包含：
　　　　南京西路、南京、西路
索引时：
　　　　文本中的“南京西路”会被同时索引为以上三者
查询时：
　　　　输入南京西路，可以直接匹配南京西路，而不匹配南京或者西路；
　　　　输入南京或者西路，也可以搜索到南京西路

详情请查看： mmseg同义词/复合分词，了解具体处理和配置。

如果使用默认的词库，没有做过自定义，则可以直接下载 thesaurus.lib ，放到uni.lib所在目录！

一元切分模式核心配置

如果应用场合特殊，且数据量较小，需要对每一个中文进行切分，以字为单位进行搜索，则可以采用一元切分模式。

启用此模式，中文字符流会被当作单字索引。

例如，如果输入文本为“ABCDEF”（A到 F均代表中文字符），那它们会被当作“A B C D E F”而索引。

如果索引文本为“我爱北京天安门”，则被当做“我爱北京天安门”而索引，查询的时候，使用关键词"北"、“北京”、“北京天”、“北京天安” 或者 “北京天安门”均可以搜索到“我爱北京天安门”。

但是，一元切分模式会导致索引膨胀到最大可能，对性能也会有较大影响。非特殊情况，或者数据量较小，不推荐使用！不过，如果您有大量的资金或者硬件投入，则另当别论！

以下是一元切分模式的核心配置，请仔细阅读，应用到自己的配置之中：

source 数据源名称a
{
#......
#该部分的配置，直接采用sphinx的配置，无需更改即可直接使用
#......
}

index 索引名称a
{
#以下部分的配置，直接采用sphinx的配置，无需更改即可直接使用
#......
	source			= 数据源名称a    #对应到source
	path			= var/data/数据源名称a
	docinfo			= extern
	mlock			= 0
	morphology		= none
	min_word_len		= 1
	html_strip		= 0
#......
#以上部分的配置，直接采用sphinx的配置，无需更改即可直接使用
#以下部分为一元切分模式核心配置
	#charset_dictpath		= /usr/local/mmseg3/etc/
	charset_type  = utf-8

	ngram_len = 1

	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	

	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+0175,\
						U+0175,U+0176->U+0177, U+0177, U+0178->U+00FF, U+00FF, U+0179->U+017A, U+017A, \
						U+017B->U+017C,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 

#以上部分为一元切分模式核心配置
}

一元切分模式核心配置说明：

#charset_dictpath =/usr/local/mmseg3/etc/

需要注释掉，从而关闭可以提升性能和精确度的中文分词功能！

charset_type =utf-8

表示启用使用utf-8字符集，来处理中文字符。

启用一元切分模式后，需要source数据源之中，读取的数据编码字符集为UTF-8，否则无法正确处理；

如果是xml，则正确输出为UTF-8编码格式即可；

如果是MySQL，则设置读取数据输出字符集为UTF-8即可：

MySQL4.1起可以通过SET NAMES UTF8设定输出字符集为UTF-8，即使原始数据为GBK也可；

MySQL4.1以下版本，请直接联系我们解决GBK或者Latin1输出为UTF-8问题；

ngram_len =1

表示使用一元字符切分模式，从而得以对单个中文字符进行索引；

ngram_chars =U+4E00..U+9FBF, ......

表示要进行一元字符切分模式的字符集；

charset_table =U+FF10..U+FF19->0..9, 0..9,......

表示可被一元字符切分模式认可的有效字符集；