coreseek分词词表那些事

0. 默认词表

coreseek会自带一个分词词表，一般位于

/usr/local/mmseg3/etc/uni.lib

• 1

• 1

对应的明文原始词表一般位于

/usr/local/mmseg3/etc/unigram.txt

• 1

• 1

1. 原始词表文件格

格式如下：

暂无    1
x:1
喜羊羊  1
x:1
灰太狼  1
x:1
懒羊羊  1
x:1

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

PHP中，可以用下面函数将一个key转为原始词表文件中的一条

function _format($key){
    return sprintf("%s\t1\nx:1\n", $key);
}

• 1
• 2
• 3

• 1
• 2
• 3

2. 词表文件(.lib文件)生成

假设有原始词表文件dict.txt，执行下面的命令

mmseg -u dict.txt

• 1

• 1

会生成名为dict.txt.uni的词典文件。

若要此文件生效，需要 
1. 将其重命名为uni.lib 
2. 将uni.lib放到配置文件中charset_dictpath指定的目录 
3. 重建索引 
4. 重启searchd

3.关于词的长度

mmseg默认支持单个最大词长为5个UTF-8汉字。原始词表中的词若大于此长度，在生成词表时会被截断。如果需要修改，可以如下操作： 
1. 找到coreseek源代码目录下的mmseg-**/src/csssegmenter.cpp文件

#define MAX_TOKEN_LENGTH 15 //3*5

• 1

• 1

将MAX_TOKEN_LENGTH改为你需要的值 
2. 重启编译mmseg及coreseek 
3. 重新生成词表

4. 可能的问题

1. charset_dictpath目录中不但要有一份词典文件，还要有mmseg.ini，否则无法正常工作。
2. 原始词表中如果有非法字符，会导致无法建重建索引。生成原始词表时，可以用下面的php函数对key进行过虑

function _check($key) {
    //只有utf8的汉字，字母组成的串才是合法的
    if (!preg_match("/^[\x{4e00}-\x{9fa5}A-Za-z]+$/u", $key)){
        return false;
    }

    return true;
}