PHP简单实现中文分词全文索引实例(tag专题)

相信很多人都研究过MYSQL的中文全文分词索引问题，目前MYSQL不支持中文全文索引，无奈~~~

网上找了N多关于PHP+MYSQL中文全文索引的文章都没有一个好用的，对于一般的菜鸟根本不知道怎么使用，PHP中文分词有DDEDE的，DEDE的词库不是很强大，还算可以用吧！

还有一个是《SCWS - 简易中文分词系统》这个目前对于一般菜鸟根本不知道怎么用，虽然有人编译了Windows版的，但安装还是挺麻烦的，我尚未测试过！

//==========================

废话不多说了，首先去9streets下载分词算法函数和词库；下载地址：http://www.9streets.cn/userfiles/9streetssplit.rar

里面有详细的使用说明，我在这里举一个使用的例子；

MYSQL表名：music

字段：title,tag

<?php

require("lib_splitword_full.php");

$str = "这里是你要分词的内容，一般不要超过1024KB会好一点，否则会很慢！";

$sp = new SplitWord();//实例化

$dd = explode(" ",$sp->SplitRMM($str));

$i=0;

foreach ($dd as $key=>$var) {

if (strlen($var)>2)//UTF8编码的请设置为3，因为UTF8编码的中文一般为3个字节以上，过滤单个字不保存！

{

$str.=base64_encode($var)." ";//由于MYSQL不支持中文全文索引，所以在分词中我们必须把词转换成字母或者数字，这里我选择了base64编码

//当然大家还可以把中文转成区码，但我测试过区码的方法，感觉很一般，所以在这样我推荐大家使用base64

$i++;

}

if ($i>=50) break;//这里是设置你要存储多少个词组，如果是文章可能会有N多词组，你可以设置大一点，但如果你对标题分词的话，50个已经足够了！

//这样运行未编码得出来的结果：这里 分词 内容 一般 不要 超过 1024KB 一点 否则

//base64编码后的结果：1eLA7w== t9a0yg== xNrI3Q== 0ruw4w== srvSqg== s6y5/Q== MTAyNEtC 0ru14w== t/HU8g==

}

?>

这样我们就可以把分好词而且转换成编码的分词存进 tag 字段了，当然tag字段必须设置成全文索引 full text 而且数据表类型必须为MyISAM。

tag字段数据类型为CHAR和VARCHAR、text,有关如何创建MYSQL全文索引，大家可以搜索一下《mysql创建索引》遍地开花，到处都是！

下面的例子是根据TAG字段的内容进行全文索引查询：

<?php

include("Mysql.class.php");

$rs = $DB->get_one("select title,tag from music where id=$id");//根据ID读取title和tag字段内容

$title = $rs['title'];

$sql = $DB->query("select title,MATCH(tag) AGAINST('".trim($rs['tag'])."' IN BOOLEAN MODE) AS score from music where MATCH(tag) AGAINST('".trim($rs['tag'])."' IN BOOLEAN MODE) ORDER BY score DESC limit 21");//这里是查询20条相似的内容,而且按相似的排序，21是因为同一条记录都会匹配出来！

while ($rs = $DB->fetch_array($sql))

{

if ($rs['title']!=$title)

{

echo $rs['title']."<br>";

}

}

$DB->close();

?>

以上的例子就实现了PHP+MYSQL简单的中文分词全文索引！

说说wordpress和sablog在tag数据库结构设计和程序方面的差别

sablog的sablog_articles表

`keywords` varchar(120) NOT NULL default '',

keywords字段: 以 "," 分隔所有这篇文章使用到的tag

sablog的sablog_tags表

PHP代码

CREATE TABLE IF NOT EXISTS `sablog_tags` (
`tagid` int(11) unsigned NOT NULL auto_increment,
`tag` varchar(100) NOT NULL default '',
`usenum` int(11) NOT NULL default '0',
`aids` text NOT NULL,
PRIMARY KEY (`tagid`),
KEY `usenum` (`usenum`)
) ENGINE=MyISAM DEFAULT CHARSET=utf8 ;

tag字段: 存放tag名称

usenum字段: 存放使用这个tag的文章总数

aids字段: 以 "," 分隔所有使用这个tag的文章id
显示文章tag的时候,是这么写的

PHP代码

$tagdb = explode(',', $article['keywords']);

$articletags = $tmark = '';
for($i=0; $i<count($tagdb); $i++) {

$tagdb[$i] = trim($tagdb[$i]);
$articletags .= $tmark.'<a href="./?action=tags&item='.urlencode($tagdb[$i]).'">'.htmlspecialchars($tagdb[$i]).'</a>';

$tmark = ', ';
}
$article['tags'] = $articletags;

取出sablog_articles表keywords字段,explode后生成链接
显示相关文章的程序部份

PHP代码

$tags = $comma = '';
for($i=0; $i<count($tagdb); $i++) {

$tags .= $comma."'".addslashes($tagdb[$i])."'";

$comma = ',';
}
$query = $DB->query("SELECT aids FROM {$db_prefix}tags WHERE tag IN ($tags)");
$relaids = 0;
while ($tag = $DB->fetch_array($query)) {
$relaids .= ','.$tag['aids'];
}
$relids = explode(',', $relaids);
// 清除重复值的单元并删除当前ID

$relids = array_unique($relids);
$relids = array_flip($relids);
unset($relids[$articleid]);
$relids = array_flip($relids);
////////

$related_tatol = count($relids);
$relids = implode(',',$relids);
if ($related_tatol > 1 && $relids != $articleid) {
$order = in_array($options['related_order'], array('dateline', 'views', 'comments')) ? $options['related_order'] : 'dateline';

$query = $DB->query("SELECT articleid,title,views,comments FROM {$db_prefix}articles WHERE visible='1' AND articleid IN ($relids) ORDER BY ".$order." DESC LIMIT ".intval($options['related_shownum']));

$titledb=array();
while ($title = $DB->fetch_array($query)) {
$title['title'] = trimmed_title($title['title'], $options['related_title_limit']);

$titledb[] = $title;
}
unset($title);
$DB->free_result($query);
}

取出sablog_articles表keywords字段,生成取得aids的查询条件

$query = $DB->query("SELECT aids FROM {$db_prefix}tags WHERE tag IN ('tag1','tag2','tag3')");

从而得到所有包含tag1,tag2,tag3的文章id, 注意aids字段的内容,上面我已经说明了aids字段: 以 "," 分隔所有使用这个tag的文章id

wordpress则用到了4张表wp_posts, wp_terms, wp_term_relationships, wp_term_taxonomy

wordpress在新版里,数据库结构有了调整,结构和名称与以前的不一样,category和tag合并了,区别在wp_term_taxonomy里taxonomy字段

category则taxonomy字段内容为category

tag则taxonomy字段内容为post_tag

wp_posts里不存放任何tag数据

wp_terms表用于存放tag和category,结构如下

PHP代码

CREATE TABLE IF NOT EXISTS `wp_terms` (
`term_id` bigint(20) NOT NULL auto_increment,
`name` varchar(55) NOT NULL default '',
`slug` varchar(200) NOT NULL default '',
`term_group` bigint(10) NOT NULL default '0',
PRIMARY KEY (`term_id`),
UNIQUE KEY `slug` (`slug`)
) ENGINE=MyISAM DEFAULT CHARSET=utf8;

`wp_terms`里的 term_id 和 `wp_term_taxonomy` 里的 term_id 关联

`wp_posts`里的 ID 和 wp_term_relationships 里的 object_id 关联

`wp_term_relationships`里的 term_taxonomy_id 和 `wp_terms` 里的 term_id 关联

先说到这吧,具体的去看数据库,熟练的程序员,由数据库结构,就能知道程序是怎么写的了



wordpress的tag数据库结构要清晰条理得多,sablog的tag数据库结构就不太利于维护,但对于2者在显示方面的性能,我还没有做测试