Sphider + SCWS 打造完美PHP中文搜索引擎

  • 作者:scsidisk
  • 最后编辑:2013年05月28日
  • 标签: PHP, Error

今日需要为几个网站做个全文搜索引擎,找了几个PHP开源项目,先试了一下Sphinx ,可惜是基于数据库的,相当于数据库搜索的扩展。Sphider还不错,不过中文的分词不行,基本只能靠空格和符号进行分词。想用luence的话只能用Java和.net了,没有php版的,因此只好尝试自己修改Sphider的分词了。还好找到了SCWS这个不错的中文分词系统,只需要把他的功能加入到Sphider里面就可以了。

先按照他们的安装文档部署好Sphider和SCWS,这里使用的SCWS-1.1.6,需要部署好PHP扩展,注意Linux下要修改词库的权限,否则分词会把所有汉字单独分开。Sphider这里使用的丁廷臣简体中文完美汉化版带蜘蛛搜索引擎。

两者部署无误后,修改Sphider,找到admin文件夹下的spider文件,首先在开始加入代码初始化分词程序

注意这里使用的gbk,如果你的网页用的utf8编码,要把这里以及词典和规则文件的位置更改一下

在index_url函数中,把原有的英文分词替换掉,在$wordarray = unique_array(explode(“ “, $data[‘content’]));前面加上

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
$cws->send_text($data['content']);   
$list = $cws->get_tops(1000, $xattr);   
settype($list, 'array');   
$wordarray=array();   
$i=0;   
// segment   
foreach ($list as $tmp)   
{          
    $wordarray[$i][1]=$tmp['word'];   
    $wordarray[$i][2]=$tmp['times'];   
    $i++;   
} 

  删除

$wordarray = unique_array(explode(" ", $data['content']));

1
$wordarray = calc_weights ($wordarray, $title, $host, $path, $data['keywords']); 

两个语句,因为Sphider原有的英文分词这里就完全没必要用了,这里可以自行对$wordarray进行限制和优化,这里我写的很简单。

修改完成后,爬虫就能正常对中文进行分词了,效果还不错,注意如果出现乱码注意网页或者辞典编码是utf8还是gb2312。