标签：des style blog http color os io 使用 ar
面向对象升华：面向对象的认识----新生的初识、面向对象的番外----思想的梦游篇（1）、面向对象的认识---如何找出类
负载均衡：负载均衡----概念认识篇、负载均衡----实现配置篇（Nginx）
吐槽：现在欠的文章有面向对象的认识----类的转化、面向对象的番外---思想的梦游篇（2）、负载均衡 ---- 文件服务策略、手把手教你做关键词匹配项目（搜索引擎）。真心太多了，能不能让我休息一会儿。
第二十一天
起点：手把手教你做关键词匹配项目（搜索引擎）---- 第一天
回顾：手把手教你做关键词匹配项目（搜索引擎）---- 第二十天
今天有个理论知识要理解的，叫做测试驱动编程，之前我提到过概念，在：手把手教你做关键词匹配项目（搜索引擎）---- 第十一天
今天小帅帅秀逗了一回，使用了这个思想。
好了，以下正文开始。
话说小帅帅把自己写的业务拆词方法给了于老大看，于老大很高兴。
但是业务拆词的词组都是有限的，还有就是当业务拆词的数据量越来越大的时候，就会造成运算时间增加。
于老大就提到,是否可以用其它分词扩展来弥补拆词的不足。
毕竟人家专业人士做的，比较靠谱点。
于老大很有经验，就推荐小帅帅去了解SCWS的用法.
SCWS 是 Simple Chinese Word Segmentation 的首字母缩写（即：简易中文分词系统）。
官方网址：http://www.xunsearch.com/scws/index.php
小帅帅听了当然很开心罗，因为又有新的知识点了。
小帅帅照着SCWS的安装文档安装了SCWS。
并把php扩展装好了，并尝试写了个测试代码：
<?php class TestSCWS { public static function split($keyword){ if (!extension_loaded("scws")) { throw new Exception("scws extension load fail"); } $so = scws_new(); $so->set_charset(‘utf8‘); $so->send_text($keyword); $ret = array(); while ($res = $so->get_result()) { foreach ($res as $tmp) { if (self::isValidate($tmp)) { $ret[] = $tmp; } } } $so->close(); return $ret; } public static function isValidate($scws_words) { if ($scws_words[‘len‘] == 1 && ($scws_words[‘word‘] == "\r" || $scws_words[‘word‘] == "\n")) { return false; } return true; } } var_dump(TestSCWS::split("连衣裙xxl裙连衣裙"));
测试通过，跟理想中的一摸一样，小帅帅很高兴，就去问于老大：于老大我会用SCWS了，下一步该怎么办？
于老大也不慌，就对小帅帅说: 你先写个ScwsSplitter来拆分关键词吧。
小帅帅非常高兴，因为他学到了新的知识，就对于老大说到好的。
小帅帅说到做到，代码如下：
class ScwsSplitter { public $keyword; public function split(){ if (!extension_loaded("scws")) { throw new Exception("scws extension load fail"); } $keywordEntity = new KeywordEntity($this->keyword); $so = scws_new(); $so->set_charset(‘utf8‘); $so->send_text($this->keyword); while ($res = $so->get_result()) { foreach ($res as $tmp) { if ($this->isValidate($tmp)) { $keywordEntity->addElement($tmp["word"]); } } } $so->close(); return $keywordEntity; } public function isValidate($scws_words) { if ($scws_words[‘len‘] == 1 && ($scws_words[‘word‘] == "\r" || $scws_words[‘word‘] == "\n")) { return false; } return true; } }
小帅帅又跑去找于老大，说到：我把Scws的分词代码写好了。
于老大也佩服小帅帅的高效率。
又说到：如果我两个同时用了，我先用业务分词，遗留下来的词用Scws分词，小帅帅有好的方案吗？
小帅帅就问到: 为啥要这样,这不是多此一举。
于老大就说到：业务有些专有名词，SCWS分不出来丫，那怎么办好？
小帅帅又说到：我看文档的时候看到有词库和规则文件的设置，我们用它好不好?
于老大又说到：这个是可以，但是我们如何保证让运营人员维护，我们要学会把这些事情交出去丫。
小帅帅: …….
小帅帅沉默了片刻，觉得现在两个类都写了，一起用是最快的方案，就答应到：好吧，我回去改改….
首先小帅帅根据测试驱动编程的思想写了入口代码:
class SplitterApp { public static function split($keyword,$cid){ $keywordEntity = new KeywordEntity($keyword); #业务分词 $termSplitter = new TermSplitter($keywordEntity); $seg = new DBSegmentation(); $seg->cid = $cid; $termSplitter->setDictionary($seg->transferDictionary()); $termSplitter->split(); #SCWS分词 $scwsSplitter = new ScwsSplitter($keywordEntity); $scwsSplitter->split(); #后续遗留单词或者词组处理 $elementWords = $keywordEntity->getElementWords(); $remainKeyword = str_replace($elementWords, "::", $keywordEntity->keyword); $remainElements = explode("::", $remainKeyword); foreach($remainElements as $element){ if(!empty($element)) $keywordEntity->addElement($element); }
return $keywordEntity; } }
小帅帅嘿了一声，有了测试入口，还怕其他的搞不定。
首先KeywordEntity的getElementWords，先搞定他.
class KeywordEntity { public $keyword; public $elements = array(); public function __construct($keyword) { $this->keyword = $keyword; } public function addElement($word, $times = 1) { if (isset($this->elements[$word])) { $this->elements[$word]->times += $times; } else $this->elements[$word] = new KeywordElement($word, $times); } public function getElementWords() { $elementWords = array_keys($this->elements); usort($elementWords, function ($a, $b) { return (UTF8::length($a) < UTF8::length($b)) ? 1 : -1; }); return $elementWords; } /** * @desc 计算UTF8字符串权重 * @param string $word * @return float */ public function calculateWeight($word) { $element = $this->elements[$word]; return ROUND(strlen($element->word) * $element->times / strlen($this->keyword), 3); } } class KeywordElement { public $word; public $times; public function __construct($word, $times) { $this->word = $word; $this->times = $times; } }
其次就是分词了，首先先抽出公用类先，Splitter变成了公用类，有哪些方法呢？
1. 抽象split方法
2. 获取关键词待拆分的词组
3. 是否需要拆分
按照这写，小帅帅写出了以下代码：
abstract class Splitter { /** * @var KeywordEntity $keywordEntity */ public $keywordEntity; public function __construct($keywordEntity){ $this->keywordEntity = $keywordEntity; } public abstract function split(); /** * 获取未分割的字符串,过滤单词 * * @return array */ public function getRemainKeywords() { $elementWords = $this->keywordEntity->getElementWords(); $remainKeyword = str_replace($elementWords, "::", $this->keywordEntity->keyword); $remainElements = explode("::", $remainKeyword); $ret = array(); foreach ($remainElements as $element) { if ($this->isSplit($element)) { $ret[] = $element; } } return $ret; } /** * 是否需要拆分 * * @param $element * @return bool */ public function isSplit($element) { if (UTF8::isPhrase($element)) { return true; } return false; } }
然后小帅帅继续实现业务拆分算法，以及Scws拆分算法。小帅帅淫笑了，这点小事情还是可以办到的。
class TermSplitter extends Splitter { private $dictionary = array(); public function setDictionary($dictionary = array()) { usort($dictionary, function ($a, $b) { return (UTF8::length($a) < UTF8::length($b)) ? 1 : -1; }); $this->dictionary = $dictionary; } public function getDictionary() { return $this->dictionary; } /** * 把关键词拆分成词组或者单词 * * @return KeywordScore[] $keywordScores */ public function split() { foreach ($this->dictionary as $phrase) { $remainKeyword = implode("::",$this->getRemainKeywords()); $matchTimes = preg_match_all("/$phrase/", $remainKeyword, $matches); if ($matchTimes > 0) { $this->keywordEntity->addElement($phrase, $matchTimes); } } } } class ScwsSplitter extends Splitter { public function split() { if (!extension_loaded("scws")) { throw new Exception("scws extension load fail"); } $remainElements = $this->getRemainKeywords(); foreach ($remainElements as $element) { $so = scws_new(); $so->set_charset(‘utf8‘); $so->send_text($element); while ($res = $so->get_result()) { foreach ($res as $tmp) { if ($this->isValidate($tmp)) { $this->keywordEntity->addElement($tmp[‘word‘]); } } } $so->close(); } } /** * @param array $scws_words * @return bool */ public function isValidate($scws_words) { if ($scws_words[‘len‘] == 1 && ($scws_words[‘word‘] == "\r" || $scws_words[‘word‘] == "\n")) { return false; } return true; } }
小帅帅终于把这些代码全部搞定了，高兴之余，他还顺手画了UML图送给大家：
小帅帅的成长真心够厉害的哦，于老大看后，连称赞了三次。
为了测试，小帅帅写了测试代码,代码如下:
class SplitterAppTest { public static function split($keyword){ $keywordEntity = new KeywordEntity($keyword); #业务分词 $termSplitter = new TermSplitter($keywordEntity); $seg = new TestSegmentation(); $termSplitter->setDictionary($seg->transferDictionary()); $termSplitter->split(); #SCWS分词 $scwsSplitter = new ScwsSplitter($keywordEntity); $scwsSplitter->split(); #后续遗留单词或者词组处理 $elementWords = $keywordEntity->getElementWords(); $remainKeyword = str_replace($elementWords, "::", $keywordEntity->keyword); $remainElements = explode("::", $remainKeyword); foreach($remainElements as $element){ if(!empty($element)) $keywordEntity->addElement($element); } return $keywordEntity; } } SplitterAppTest::split("连衣裙xl裙宽衣裙");
小帅帅意淫着，想到总有一天把你们踩在脚下。
标签：des style blog http color os io 使用 ar
原文地址：http://www.cnblogs.com/oshine/p/3958063.html
