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

删除

$wordarray = unique_array(explode(” “$data[‘content’]));

$wordarray = calc_weights ($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。