[转]一个简单的中文分词

CLucene - a C++ search engine  http://sourceforge.net/projects/clucene/

    传统的全文检索都是基于数据库的，Sql Server  Oracle mysql 都提供全文检索，但这些比较大，不适合单机或小应用程序(Mysql4.0以上可以作为整合开发)，Mysql也不支持中文。
    后来得知Apache有一个开源的全文检索引擎，而且应用比较广，Lucene是Apache旗下的JAVA版的全文检索引擎,性能相当出色，可惜是java版的，我一直在想有没有C或C++版的，终于有一天在http://sourceforge.net 淘到一个好东东，Clucene！CLucene是C++版的全文检索引擎,完全移植于Lucene，不过对中文支持不好，而且有很多的内存泄露，:P
    Cluene不支持中文的分词，我就写了一个简单的中文分词，大概思路就是传统的二分词法，因为中文的分词不像英文这类的语言，一遇到空格或标点就认为是一个词的结束，所以就采用二分词法，二分词法就是例如:北京市，就切成 北京 ， 京市。这样一来词库就会很大，不过是一种简单的分词方法(过段时间我再介绍我对中文分词的一些思路) ，当然了，在检索时就不能输入“北京市”了，这样就检索不到，只要输入：“+北京 +京市”,就可以检索到北京市了，虽然精度不是很高，但适合简单的分词，而且不怕会漏掉某些单词。
    我照着Clucene的分词模块，做了一个ChineseTokenizer，这个模块就负责分词工作了，我把主要的函数写出来

    ChineseTokenizer.cpp:

 Token* ChineseTokenizer::next() {
 

  while(!rd.Eos())
  {
   char_t ch = rd.GetNext();
  
  
   if( isSpace((char_t)ch)!=0 )
   {
    continue;
   }
   // Read for Alpha-Nums and Chinese
   if( isAlNum((char_t)ch)!=0 )
   {
    start = rd.Column();

    return ReadChinese(ch);  
   }
  }
  return NULL;
 }

 Token* ChineseTokenizer::ReadChinese(const char_t prev)
 { 
  bool isChinese = false;
  StringBuffer str;
  str.append(prev);

  char_t ch = prev;

  if(((char_t)ch>>8)&&(char_t)ch>=0xa0)
   isChinese = true;
 
  while(!rd.Eos() && isSpace((char_t)ch)==0 )
  {
  
   ch = rd.GetNext();
  
   if(isAlNum((char_t)ch)!=0)
   {
    //是数学或英语就读到下一个空格.或下一个汉字
    //是汉字.就读下一个汉字组成词组,或读到空格或英文结束
    if(isChinese)
    {
     //汉字,并且ch是汉字
     if(((char_t)ch>>8)&&(char_t)ch>=0xa0)
     {
      // 返回上一个汉字
      str.append(ch);
      rd.UnGet();
     // wprintf(_T("[%s]"),str);
      return new Token(str.getBuffer(), start, rd.Column(), tokenImage[lucene::analysis::chinese::CHINESE] );
     }
     else
     {
      //是字母或数字或空格
      rd.UnGet();
     // wprintf(_T("[%s]"),str);
      return new Token(str.getBuffer(), start, rd.Column(), tokenImage[lucene::analysis::chinese::CHINESE] );
     }
    }
    else
    {
     //非汉字
     // ch是汉字
     if(((char_t)ch>>8)&&(char_t)ch>=0xa0)
     {
     // wprintf(_T("[%s]"),str);
      rd.UnGet();
      return new Token(str.getBuffer(), start, rd.Column(), tokenImage[lucene::analysis::chinese::CHINESE] );
     }
     str.append( ch );
    }   
   }

  }
 // wprintf(_T("[%s]"),str);
  return new Token(str.getBuffer(), start, rd.Column(), tokenImage[lucene::analysis::chinese::ALPHANUM] );
 }

   同时，这个中文分词不支持文件，只能支持内存流的形式，因为我用到了rd.UnGet();如果是文件的话，嘿嘿，只能回退半个字节哦 :P

嗯。先写到这里了，今天太急了，等我有空了我就把我对CLucene的改进发到上面来。