搜索引擎--范例：中英文混杂分词算法的实现--正向最大匹配算法的原理和实现

纯中文和中英文混杂的唯一区别是，分词的时候你如何辨别一个字符是英文字符还是孩子字符，

人眼很容易区分，但是对于计算机来说就没那么容易了，只要能辨别出中文字符和英文的字符，分词本身就不是一个难题

1：文本的编码问题：

　　utf8：windows下，以utf8格式保存的文本是一个3个字节（以16进制）的BOM的，并且你不知道一个汉字是否是用3位表示，但是英文适合ascii编码一样的

ascii：英文一位，中文两位，并且中文的第一个字节的值是大于128和，不会和英文混淆，推荐

　　unicode：中文基本是两个字节，适合网页纯中文分词

2：分析选择文本编码

　　线下的分词我选用的是ascii编码的文本，因为英文和中文的编码容易区分，所以最容易实现

　　线上的分词，由于传入的参数是unicode的，纯中文分词更加简单

3：中文分词原理（词库或者语义分词，后者需要大量的数据），这里采用的是词库分词

　　我用的中文词库：点此下载本来30万的词库，去掉大于5个字词语后，只剩下25万多，基本够用，ps,我是用结巴分词词库自己提取出来的，可以自己去提取30万的词库^_^

　　中文停用词库：点此下载

　　分词素材，点词下载10000条新浪微博的数据

　　如果点开下载不了，把链接拷贝到迅雷，旋风等下载软件上面下载即可

4：正向最大匹配算法分词的原理

定义一个匹配的最大长度max_length

从左往右，依次遍历文档，

　　如果是汉字字符的话，ord>128

　　　　如果长度不足max_length，继续，

　　　　如果长度==max_length，

　　　　　　依次匹配max_length到1长度的单词

　　　　　　　　若匹配到

判断是否为停用词，

　　　　　　　　　　　　　若果不是

记录

　　如果是停用词

　　　　　　　　　　　　　　　　重新切词

　　若为非汉字字符，对当前遍历得到的中文词组进行处理

　　　　如果为空，继续

　　　　如果不为空，进行分词处理

5：python代码实现正向最大匹配中英文分词如下：weibo是分词的对象，result是分词后结果，可以print出来看看对不对

# -*- coding: cp936 -*-
import string

dist = {}
df = file("bdist.txt","r")
while True:
line = df.readline()
if len(line)==0:
break
term = line.strip()
dist[term]=1

stop = {}
sf = file("stopword.txt","r")
while True:
line = sf.readline()
if len(line)==0:
break
stopping = line.strip()
stop[stopping]=1

re = {}
def record(t,i,w_id):
#print(t)
if re.get(t)==None:
re[t]=str(w_id)+'['+str(i)+'.'
else:
re[t]=re[t]+str(i)+'.'

wf = file("weibo.txt","r")
while True:
re = {}
line = wf.readline()
if len(line) ==0:
break
b = 0;
#print(line[len(line)-2:len(line)-1])
if line[len(line)-2:len(line)-1]!='1':
continue
w_id_end = line.find(r',',0)
w_id = line[0:w_id_end]
if not w_id.isdigit():
continue
w_id = string.atoi(line[0:w_id_end])
#print(w_id)
w_userid_end = line.find(r',',w_id_end+1)
w_userid = line[w_id_end+1:w_userid_end]
#print(w_userid)
w_username_end = line.find(r',',w_userid_end+1)
w_username = line[w_userid_end+1:w_username_end]
#print(w_username)
w_content_end = line.find(r',',w_username_end+1)
w_content = line[w_username_end+1:w_content_end]
#print(w_content)

w_pt_end = line.find(r',',w_content_end+1)
w_pt = line[w_content_end+1:w_pt_end]
#print(line[w_pt_end+1:])
w_count = string.atoi(line[w_pt_end+1:] )
#print(w_count)

weibo = w_content
#s= type(weibo)
#print(s)
#print(weibo)

#begin particle
max_length = 10
weibo_length = len(weibo)
#print(weibo_length)
t = 2
index = 0
temp = ''
result = ''
#print(weibo_length)
while index<weibo_length:
#print(index)
#print(temp)
s=weibo[index:index+1]
if ord(s[0])>128:
#print("ord")
s = weibo[index:index+2]
temp = temp+s
index = index+2
if len(temp)<max_length and index+1<weibo_length:
#print("@")
continue
else:
t =temp
while True:
#print(temp)
if temp=='':
break
if dist.get(temp)==1:
result = result+temp+'/'
if stop.get(temp)==None:
record(temp,index-2,w_id)
temp = t[len(temp):len(t)]
#print(temp)
if temp!='' and index+1>weibo_length:
t =temp
while True:
#print(temp)
if temp=='':
break
if dist.get(temp)==1:
result = result+temp+'/'
if stop.get(temp)==None:
record(temp,index-2,w_id)
#print(result)
temp = t[len(temp):len(t)]
t = temp
#print(temp)
else:
if len(temp)>0:
temp=temp[0:len(temp)-2]
else:
break
else:
if len(temp)>0:
temp=temp[0:len(temp)-2]
else:
#print("ooo")
index=index+1
if temp=='':
#print("$")
result =result+s
continue
else:
#print("&")
t =temp
while True:
#print(temp)
if temp=='':
break
if dist.get(temp)==1:
result = result+temp+'/'
if stop.get(temp)==None:
record(temp,index-2,w_id)
#print(result)
temp = t[len(temp):len(t)]
t = temp
#print(temp)
else:
if len(temp)>0:
temp=temp[0:len(temp)-2]
result =result+s
print(result)
sf.close()
df.close()
wf.close()

6：分词完成后，可以处理得到倒排索引，可以算TF-IDF，可以用向量模型等一系列的知识来做搜索引擎了