庖丁（Paoding）分词的词典原理解析

Paoding分词过程中词典是相关重要的一环，其特性主要有：

（1）多词典支持，词典功能区分；

（2）词典加载入内存使用，使用预加载和Lazy Mode模式；

（3）根据分词模式，对词典进行二次编译；

（4）词典变更侦测，当词典文件发生变化时，可以重新加载词典。

1.1     词典类型

庖丁中有多种词典，每一种词典在分词过程中都不有同的意义。主要的词典及其功能如下：

（1）VocabularyDictionary：分词主要的词典，最后构建索引的索引项（term\dictionary）；

（2）ConfucianFamilyNamesDictionary：中文姓氏词典，用于识别特殊词；

（3）NoiseCharactorsDictionary：停止单字词典，该词典中的词不用于构建索引项；

（4）NoiseWordsDictionary：停止词语词典，该词典中的词不用于构建索引项；

（5）UnitsDictionary：计量单位词典，该词典中的词主要是一些计量单位。

paoding将多个词典进行组合进行使用。

 

1.2     词典加载流程

1)        PaodingAnalyzer初始化时需要构建Paoding对象；

2)        先由PaodingMaker的readUnCompiledDictionaries调用FileDictionaries；

3)        获取各种属性和词典编译类；

4)        读取未编译词典属性、编译词典（FileDictionaries的一些方法中才真正的加载了词项、CompiledFileDictionaries中调用读取词项）；

5)        使用编译后的词典；

6)        为词典设置变更监听器。

1.3     词典文件格式

词典文本一般为纯文本格式，notepad将文件保存为unitcode或utf-8时会在文件开头保存bom字符串，notepad根据是否有bom来识别该文件是否是utf-8编码存储的（详情参见 ref:http://www.w3.org/International/questions/qa-utf8-bom）。而庖丁字典需要将这个字符从词典中去掉。

词典内格式是一行一个词。 

1.4     读取词典文件

如果需要编译，那么读取词典文件是在词典编译前进行。如果不需要编译，则先不加载。

FileDictionaries的一些方法中才真正的加载了词项、CompiledFileDictionaries中调用读取词项。

词典文件读取采用了Lazy Mode，即需要的时候再加载。

 

1.5     词典编译

（1）根据系统参数配置，调用相应的词典编译类，共有两种一种是MostWordsModeDictionariesCompiler类，即最大词量分词方式，另一种是SortingDictionariesCompiler这个是按词的字顺编译的方式；

（2）判断（vocabularyDictionary）词典是否应该编译：检查文件夹中是否在这个文件：.compiled/xxx/.metadata，从中读取词典的元数据，如果编译类、摘要、版本相同，说明经过了编译，则不需要编译；其他情况都需要编译。

（3）最小切分分词词典编译：将词典中的每一个词当作一个可以被分词的字符串，如果该词还可以继续被完全分解为多个词，那么编译后不记录该词。程序分词某个词后将其首尾位置之间的位置都置为true，如果一个词的所有位置都为true那么说明该词能再被完全分解为多词，否则可作为独立词。

（4）SortingDictionariesCompiler其实就是按词在词典中的原序来进行编译，基本不再做其他处理。

（5）readCompliedDictionaries方法返回庖丁中的编译后的多种词典集合。

 

1.6     词典变更侦测

（1）变更侦测原理

在创建Paoding时初始化Dictionaries，然后启动Detector利用线程驻守，定期去检测；每一个字典都有一个快照，记录下当前快照，检测时将最新快照与当前快照比对，如果发现不同，那么说明有更新，则触发变更监听DiffListener。更新有三种情况：修改、删除、添加。发现更新后，监听器刷新词典，然后重新为各个Knife设置词典。

 

（2）快照原理

快照主要记录了如下信息：

 

// 此次快照版本，使用时间表示

    private long version;

 

    // 根地址，绝对地址，使用/作为目录分隔符

    private String root;

 

    // String为相对根的地址，使用/作为目录分隔符

    private Map/**/ nodesMap = new HashMap/**/();

 

    //内部节点

    private InnerNode[] nodes;

    //checksum of this snapshot

    private String checksum;

 

快照刷新方法：获取当前时间作为version，根路径作为root，内部所有的文件作为nodes，然后<相对根的地址,node>作为nodesMap；

快照摘要：采用lazy mode获取快照摘要；

快照对比原理：对比version\root和新增、修改、删除的词典文件(而不是词典中的词)。