中文搜索引擎来说, 中文分词是整个系统最基础的部分之一, 因为目前基于单字的中文搜索算法并不是太好. 当然, 本文不是要对中文搜索引擎做研究, 而是分享如果用 PHP 做一个站内搜索引擎. 本文是这个系统中的一篇
进行中文分词的 PHP 类就在下面了, 用 proc_open() 函数来执行分词程序, 并通过管道和其交互, 输入要进行分词的文本, 读取分词结果.
class NLP{
private static $cmd_path;// 不以'/'结尾
static function set_cmd_path($path){
self::$cmd_path = $path;
}private function cmd($str){
$descriptorspec = array(
0 => array("pipe", "r"),
1 => array("pipe", "w"),
);
$cmd = self::$cmd_path . "/ictclas";
$process = proc_open($cmd, $descriptorspec, $pipes);if (is_resource($process)) {
$str = iconv('utf-8', 'gbk', $str);
fwrite($pipes[0], $str);
$output = stream_get_contents($pipes[1]);fclose($pipes[0]);
fclose($pipes[1]);$return_value = proc_close($process);
}/*
$cmd = "printf '$input' | " . self::$cmd_path . "/ictclas";
exec($cmd, $output, $ret);
$output = join("n", $output);
*/$output = trim($output);
$output = iconv('gbk', 'utf-8', $output);return $output;
}/**
* 进行分词, 返回词语列表.
*/
function tokenize($str){
$tokens = array();$output = self::cmd($input);
if($output){
$ps教程 = preg_split('/s+/', $output);
foreach($ps as $p){
list($seg, $tag) = explode('/', $p);
$item = array(
'seg' => $seg,
'tag' => $tag,
);
$tokens[] = $item;
}
}return $tokens;
}
}
NLP::set_cmd_path(dirname(__FILE__));
?>
使用起来很简单(确保 ICTCLAS 编译后的可执行文件和词典在当前目录):require_once('NLP.php');
var_dump(NLP::tokenize('你好啊, 世界!'));
?>
站长经验，
如果想做到搜索引擎分词，需要强大的词库及更智能化的汉语拼音以及写法，习惯等功能库。
