全文索引之中文分词（下）

关键词

全文索引之中文分词（下）

摘要

在使用SQL Search的过程中，还发现了一个问题：它对中文，是按字分词的，下面我解释一下：

比如对'博客堂成员很多是MVP'这句话，假如一个个的字的作索引，会比使用'博客堂','成员',MVP'几个词作索引生成的索引大很多，这样不仅浪费空间，也影响索引的效率和准确度。假如英文是按照字母而不是单词作索引，估计世界上如今就没有全文索引，也没有google了。

在使用SQL Search的过程中，还发现了一个问题：它对中文，是按字分词的，下面我解释一下：

但是中文在分词上，相比英文有天然的屏障，英文的单词之间有间隔，但是中文不是，必须使用计算机的人工智能把句子分成一个个的词，有些时候，根据句子本身还不够，还必须根据上下文，或者一些日常知识才能判断。比如乒乓球拍/卖/完了和乒乓球/拍卖/完了，电脑咋能知道是哪个意思并正确分词呢！

根据使用的结果，SQL Search对中文使用的应该是按字分词(可能是因为原来是英文引擎的缘故)，比方说你要查'马克'，它会把'马克思'也给你倒腾出来。

我的一个123M的数据库，全文索引有55M，每次全文查询都比较慢(当然机器也很次)。

--------------------------------------------------------------------------------------------------

关于按字分词：

应该还是怡红公子的说法比较妥当，大家看看这个句子：

操作系统能否用汇骗语言改写限制它对每个端口的使用率

为了验证分词，故意使用错误的分词，假如都可以索引出该句子，就说明是按字分词的。比如使用 '用汇' ?查询，也可以查出句子，所以得出了SQLServer按字分词的结论，我没有进一步检查，但是现在发现使用'写限'，使用'统能'就无法查出来了，证明 SQLServer中还是有简单分词的，只是分词结果不理想。

此外，SQLServer还可以使用第三方的产品增强分词的能力。

--------------------------------------------------------------------------------------------------

假如对分词有兴趣的朋友，这里有一些代码可以看，使用发现分词正确率还是很高的，不过要注册才可以得到：http://www.nlp.org.cn/project/project.php?proj_id=6

发表于 2004年3月19日 11:22

不光有，我们还可以在程序中使用（不过我记不太清楚SQL Server Fulltext用的索引是不是和Index Server一样了）：

using System;
using System.Runtime.InteropServices;

namespace FullTextAPI
{
[Flags]
public enum WordBreakType //WORDREP_BREAK_TYPE
{
Word = 0,
Sentense = 1,
Paragraph = 2,
Chapter = 3
}

[ComImport, Guid("CC907054-C058-101A-B554-08002B33B0E6")]
[InterfaceType(ComInterfaceType.InterfaceIsIUnknown)]
public interface IWordSink
{
void PutWord(
[MarshalAs(UnmanagedType.U4)] int charCount,
[MarshalAs(UnmanagedType.LPWStr)] string sourceBuffer,
[MarshalAs(UnmanagedType.U4)] int sourceLength,
[MarshalAs(UnmanagedType.U4)] int sourcePosition);

void PutAltWord(
[MarshalAs(UnmanagedType.U4)] int cwc,
[MarshalAs(UnmanagedType.LPWStr)] string pwcInBuf,
[MarshalAs(UnmanagedType.U4)] int cwcSrcLen,
[MarshalAs(UnmanagedType.U4)] int cwcSrcPos);

void StartAltPhrase();

void EndAltPhrase();

void PutBreak(WordBreakType breakType);
}

[ComImport, Guid("CC906FF0-C058-101A-B554-08002B33B0E6")]
[InterfaceType(ComInterfaceType.InterfaceIsIUnknown)]
public interface IPhraseSink
{
void PutSmallPhrase(
[MarshalAs(UnmanagedType.LPWStr)] string pwcNoun,
[MarshalAs(UnmanagedType.U4)] int cwcNoun,
[MarshalAs(UnmanagedType.LPWStr)] string pwcModifier,
[MarshalAs(UnmanagedType.U4)] int cwcModifier,
[MarshalAs(UnmanagedType.U4)] int ulAttachmentType);

void PutPhrase(
[MarshalAs(UnmanagedType.LPWStr)] string pwcPhrase,
[MarshalAs(UnmanagedType.U4)] int cwcPhrase);
}

[StructLayout(LayoutKind.Sequential)]
public struct TextSource //TEXT_SOURCE
{
[MarshalAs(UnmanagedType.FunctionPtr)]
public TextBufferFiller TextBufferFiller;

[MarshalAs(UnmanagedType.LPWStr)]
public string Buffer;

[MarshalAs(UnmanagedType.U4)]
public int End;

[MarshalAs(UnmanagedType.U4)]
public int Current;
}

// used to fill the buffer for TEXT_SOURCE
public delegate uint TextBufferFiller([MarshalAs(UnmanagedType.Struct)] ref TextSource textSource);

[ComImport, Guid("D53552C8-77E3-101A-B552-08002B33B0E6")]
[InterfaceType(ComInterfaceType.InterfaceIsIUnknown)]
public interface IWordBreaker
{
void Init(
[MarshalAs(UnmanagedType.Bool)] bool isQuery,
[MarshalAs(UnmanagedType.U4)] int maxTokenSize,
[MarshalAs(UnmanagedType.Bool)] out bool hasLicense);

void BreakText(
[MarshalAs(UnmanagedType.Struct)] ref TextSource textSource,
[MarshalAs(UnmanagedType.Interface)] IWordSink wordSink,
[MarshalAs(UnmanagedType.Interface)] IPhraseSink phraseSink);

void GetLicenseToUse([MarshalAs(UnmanagedType.LPWStr)] out string license);
}

[ComImport, Guid("80A3E9B0-A246-11D3-BB8C-0090272FA362")] // EN-us
public class EnglishUKWordBreaker {}

[ComImport, Guid("9717fc70-c1bc-11d0-9692-00a0c908146e")] // ZH-chs
public class SimplifiedChineseWordBreaker {}
}