让coreseek支持拼音检索

一、介绍：

        Coreseek 是一款中文全文检索/搜索软件，以GPLv2许可协议开源发布，基于Sphinx研发并独立发布，专攻中文搜索和信息处理领域，适用于行业/垂直搜索、论坛/站内搜索、数据库搜索、文档/文献检索、信息检索、数据挖掘等应用场景。我们不仅可以免费下载使用，也可以对其提供的源代码进行修改，使其更符合我们的搜索要求。coreseek官网：www.coreseek.cn/。

二、不足之处：

        coreseek有一点不足之处就是它不支持拼音索引。在现实项目中，特别是人名、地名，需要用到全拼或者简拼检索，比如我想搜：中华人民共和国，若能输入zhrmghg，或者输入zhonghuarenmingongheguo，或者只需要输入这两个字符的前缀，就能获得该结果。

三、改进思路：

        指定需要拼音索引的字段，在建立索引时首先将数据转化成拼音（全拼和简拼），然后将拼音加入索引字段中对其进行索引。

四、难点：

        源码的编译（http://blog.csdn.net/kangrydotnet/article/details/9971175）、多编码的汉字转化成拼音（http://blog.csdn.net/kangrydotnet/article/details/10819815）

五、使用方法：

        经过近两个月的分析与修改，终于功夫不负有心人，coreseek的拼音检索终于基本上实现了。

        1、在配置文件中的源块中，指定要拼音检索的字段。若要对title进行拼音检索，则：

        sql_pinyin_jianpin = title //对title进行简拼索引

        sql_pinyin_quanpin = title //对title进行全拼索引

        sql_pinyin = title     //对title既进行简拼索引，也进行全拼索引

        注意，拼音索引不能与其他属性重复，即若指定了sql_attr_string = title，则不可指定sql_pinyin=title。这是原来coreseek就必须遵守的规则。指定的拼音索引字段，同时也会索引原来的字段。

        2、在索引块中指定min_prefix_len的长度。该长度必须大于等于1。因为拼音索引目前就是一个前缀索引。

        3、在索引块中还可以指定要多音字支持的字段。pinyin_poly_fields=title,name,...

六、目前程序的不足：

        1、在控制台上，search搜索不能转码，不知道是什么原因。

        2、拼音索引可能需要中缀索引。目前尚不支持。

        3、目前只是测试了mysql数据源的，其他数据源未进行测试（若其他数据源有是否可用的消息，请留言告知）。

        4、目前只编译了windows版本，linux版本正在尝试编译。

        5、拼音可能会有误。这里用到了网上的拼音转换程序，转换表可能会有问题。若发现哪些字不对，欢迎留言告知。

        6、目前还未进行大数据量的测试，可能会有隐藏bug。

        7、gb2312编码的多音字暂不支持，正在努力寻找多音字转换表。

七、下载：

      win32（1版，2013-09-01）：http://download.csdn.net/detail/wangshaner1/6192947

      win64（2版，2013-09-03，支持utf8字节多音字问题，解决了一个内存泄露bug）：http://download.csdn.net/detail/wangshaner1/6202993

      win64（3版，2013-09-19，较第二版的改进有：改正拼音转换过程中的一个bug，解决了不能建立停止词的bug，将转换后的拼音从属性中删除了，以减少索引空间，解决了一个拼音内存泄露问题）：http://download.csdn.net/detail/wangshaner1/6289901。性能测试结果：http://blog.csdn.net/kangrydotnet/article/details/11828441

八、联系方式：

      电子邮件：[email protected]

      地址：武汉大学软件工程国家重点实验室

      邮编：430072