自定义分词器

Xunsearch 默认内置了功能强大的 SCWS 分词系统，也附加提供了一些简单常见的分词规则，但考虑到用户的个性需求，特意提供了自定义分词器的功能。

Note: 自定义分词器存在一个缺陷，它不支持存储位置信息，也就是不能按短语检索、以及 NEAR 之类的语法检索。相当于该字段配置中的 phrase 值恒为 no，通常把自定义分词用于一些带有一定规则的简要字段，而不是更多的考虑语义关系。

1. 编写自定义分词器

自定义分词器必须实现 XSTokenizer 接口。假定您要编写一个名为 xyz 的分词器，则您要编写的代码文件为 XSTokenizerXyz.class.php，请将文件统一放入 $prefix/sdk/php/lib 目录。

通常来讲，您只需要实现 XSTokenizer::getTokens 即可。该函数接受 2个参数，分别为要分词的值以及当前的文档对象(可选)；返回值为分好的词汇组成的数组。下面以按 - 分割字段为例：

class XSTokenizerXyz implements XSTokenizer
{
    public function getTokens($value, XSDocument $doc = null)
    {
        $ret = array();
        if (!empty($value))
            $ret = explode('-', $value);
        return $ret;
    }
}

Note: XSTokenizer::getTokens 的参数 $value 的编码始终为 UTF-8 。

如果您需要编写带有参数支持的分词器，比如让用户传入按什么字符分割，请参照下面写法编写构造函数：

class XSTokenizerXyz implements XSTokenizer
{
    private $delim = '-'; // 默认按 - 分割
 
    public function __construct($arg = null)
    {
        if ($arg !== null && $arg !== '')
            $this->delim = $arg;
    }
 
    public function getTokens($value, XSDocument $doc)
    {
        $ret = array();
        if (!empty($value))
            $ret = explode($this->delim, $value);
        return $ret;
    }
}

2. 使用自定义分词器

编写完了自定义分词器的代码后，您就可以在项目配置文件中使用它了，在需要用这个分词器的字段中指定 tokenizer 选项的值，例子中省略了字段的其它选项，实际编写时可能还包括其它选项。

而在搜索语句中，如果指明了字段搜索前缀 field:XXX 那么搜索引擎内部也会对这个搜索语句执行自定义分词。

[some_field]
; 不带参数的用法
tokenizer = xyz
; 带参数的用法，表示把 _ 作为参数传递给构造函数
tokenizer = xyz(_)

$Id$

项目配置详解

编写第一个配置文件

文档说明

Xunsearch 权威指南

自定义分词器

留下一条评论吧!