我对二元分词的构想与实践

表只有一个，记录词和新闻记录的对应关系
另外应该还有一个新闻表，就不列了。

CREATE TABLE IF NOT EXISTS fenci (
word int not null default 0 comment '词的unicode码组合',
news_id int not null default 0 comment '新闻的id',
news_type int not null default 0 comment '新闻的类型',
primary key (word, news_id, news_type)
) ENGINE=MyISAM DEFAULT CHARSET=utf8 COMMENT='分词表';
注意表的3联合主键可以避免重复的数据。


这里重要的是把一个词如“你好”转成一个数字，
我采用的方法：
"你"的十六进制4f60 十进制20320
"好"的十六进制597d 十进制22909
你好就编码成4f60597d十六进制对应的这个十进制数1331714429。

下面是把一句话分解成若干个词，可指定参数，限制长短，如30，
方法如下，
第一个字符和第二个字符组词，序号是0，
第二个字符和第三个字符组测，序号是1，
。。。直到序号29(包括在内)，
总共30个词，包含了31个字符。

对于每个词，首先正则判断是否每个字都是汉字，网上的例子多的很，什么数字，字母，标点都不要，必须
两个字都是汉字。

这样筛了一遍后，

还可以再筛一遍，把包含如下字(应该有更多)：“了”“吧”“吗”。“一”。。的词再筛掉。
然后去掉重复的词,

对于剩下的每个词，先转成数字，往表插数据，word，新闻id，新闻类型。最好能屏蔽数据库错误，
因为表有主键约束。


当用户提交查询数据时，获取其查询的前两个汉字，转成数字，到表中查

至于分词,可以在服务器空闲的时候做.
附件是二元分词的类。