fcicq
新手上路
初级会员
UID 24467
精华
0
积分 21
帖子 587
金钱 20 喜悦币
威望 0
人脉 1
阅读权限 10
注册 2003-11-8
来自 fcicq.net
状态 离线
|
对dvbbs.php 全文搜索的完全分析
这次给大家渗透些比较高级些的.关于搜索的东西.
首先,大家先去下载一份dvbbs.php beta1的代码.解压放在手头上
(tmd,动网这代码写的真不咋的.bug成吨.)
这里不是让你安装运行,而是纯粹的研究,偶根本就没用它.
已经有的同学们就可以继续往下看了.
首先抛开php代码.
找出你的mysql手册.(没有?那直接看下面的吧.)
mysql全文搜索,sql的写法:
MATCH (fcicq,col1,col2,...) AGAINST (expr [IN BOOLEAN MODE | WITH QUERY EXPANSION])
比如:
SELECT * FROM articles WHERE MATCH (title,body) AGAINST ('database fcicqbbs');
MATCH()函数对于一个字符串执行资料库内的自然语言搜索。一个资料库就是1套1个或2个包含在FULLTEXT内的列。搜索字符串作为对AGAINST()的参数而被给定。对于表中的每一行, MATCH() 返回一个相关值，即, 搜索字符串和 MATCH()表中指定列中该行文字之间的一个相似性度量。
下面的例子则更加复杂。询问返回相关值，同时对行按照相关性渐弱的顺序进行排序。为实现这个结果，你应该两次指定 MATCH()： 一次在 SELECT 列表中而另一次在 WHERE子句中。这不会引起额外的内务操作，原因是MySQL 优化程序注意到两个MATCH()调用是相同的，从而只会激活一次全文搜索代码。
mysql> SELECT id, body, MATCH (title,body) AGAINST
-> ('Security implications of running MySQL as root') AS score
-> FROM articles WHERE MATCH (title,body) AGAINST
-> ('Security implications of running MySQL as root');
所以,到这里你应该会英文的搜索了.
===
请注意一个问题.
一些词在全文搜索中会被忽略：
* 任何过于短的词都会被忽略。 全文搜索所能找到的词的默认最小长度为 4个字符。
* 停止字中的词会被忽略。
===
mysql还自带查询扩展功能.这里不做过多讨论.
===
下面进行中文全文搜索的分析.
大家鼓掌.......
曾经有一个版本的mysql支持中文全文搜索(海量 mysql chinese+,说是GPL但是最终没有开源)
中文全文搜索的关键是在分词上.mysql本身不支持cjk的分词(cjk:chinese,japanese,korean),
所以
!!!!****如何模拟分词是mysql全文索引的关键****!!!!
中文分词是语言分词中最困难的.现在也没有人能够彻底完美的解决(虽然这些搜索引擎做的都还不错.)
//fcicq:下面给大家看看动网的分词是怎么做的.
function &DV_ChineseWordSegment($str,$encodingName='gbk'){
static $objEnc = null;
if( $objEnc === null ){
if( !class_exists('DV_Encoding') ){
require_once ROOT_PATH.'inc/DV_Encoding.class.php';
}
$objEnc =& DV_Encoding::GetEncoding($encodingName);
}
$strLen = $objEnc->StrLength($str);
$returnVal = array();
if( $strLen < = 1 ){
return $str;
}
$arrStopWords =& DV_GetStopWordList();
//print_r($arrStopWords);
//过滤所有HTML标签
$str = preg_replace('#<[a-zA-Z]+?.*?>|#is', '', $str);
//过滤所有stopword
$str = str_replace($arrStopWords['StrRepl'],' ',$str);
$str = preg_replace($arrStopWords['PregRepl'],' ',$str);
//echo "\$str:{$str}<br />";
$arr = explode(' ',$str);
//fcicq:好了,这下面的才是关键 *******************************************
foreach( $arr as $tmpStr ){
if ( preg_match("/^[\\x00-\\x7f]+$/i",$tmpStr) === 1 ) { //fcicq:这里过滤出来的全是E文/数字,没关系,mysql可以认识并正确分词.
$returnVal[] = ' '.$tmpStr;
} else{ //fcicq:中英混合...
preg_match_all("/([a-zA-Z]+)/i", $tmpStr, $matches);
if( !empty($matches) ){ //fcicq:英语部分
foreach( $matches[0] as $matche ){
$returnVal[] = $matche;
}
}
//过滤ASCII字符
$tmpStr = preg_replace("/([\\x00-\\x7f]+)/i", '', $tmpStr); //fcicq:你看,剩下的不就全是中文了?
$strLen = $objEnc->StrLength($tmpStr)-1;
for( $i = 0 ; $i < $strLen ; $i++ ){
$returnVal[] = $objEnc->SubString($tmpStr,$i,2); //fcicq:注意这里的substr,不是手册上的.
//fcicq:你仔细看,所有的词都是分成两个.
//比如"数据库的应用",会被分成数据 据库 库的 的应 应用...
//这分词自然是不怎么样的
//但是,搜索的时候同样这么做.
//比如搜索数据库,就相当于搜索了数据 据库.
//这是一种相当传统的分词方法.
}
}
}
return $returnVal;
}//end function DV_ChineseWordSegment
//fcicq:这就是传说中的substr.偶相信phpx中许多人写出来的都比这个好.
function &SubString(&$str,$start,$length=null){
if( !is_numeric($start) ){
return false;
}
$strLen = strlen($str);
if( $strLen < = 0 ){
return false;
}
if( $start < 0 || $length < 0 ){
$mbStrLen = $this->StrLength($str);
} else{
$mbStrLen = $strLen;
}
if( !is_numeric($length) ){
$length = $mbStrLen;
} elseif( $length < 0 ){
$length = $mbStrLen + $length - 1;
}
if( $start < 0 ){
$start = $mbStrLen + $start;
}
$returnVal = '';
$mbStart = 0;
$mbCount = 0;
for( $i = 0 ; $i < $strLen ; $i++ ){
if( $mbCount >= $length ){
break;
}
$currOrd = ord($str{$i});
if( $mbStart >= $start ){
$returnVal .= $str{$i};
if( $currOrd > 0x7f ){
$returnVal .= $str{$i+1}.$str{$i+2};
$i += 2;
}
$mbCount++;
} elseif( $currOrd > 0x7f ){
$i += 2;
}
$mbStart++;
}
return $returnVal;
}//end function SubString
//fcicq:插入分词表.一共两个,一个 topic_ft,一个bbs_ft.
$arrTopicIndex =& DV_ChineseWordSegment($topic);
if( !empty($arrTopicIndex) && is_array($arrTopicIndex) ){
$topicindex = $db->escape_string(implode(' ',$arrTopicIndex));
if( $topicindex !== '' ){
$db->query("UPDATE {$dv}topic_ft SET topicindex='{$topicindex}' WHERE topicid='{$RootID}'");
} else{
$db->query("DELETE FROM {$dv}topic_ft WHERE topicid='{$RootID}'");
}
}
}
明白了吧?这就是所谓的分词
mysql不会分词,而dv会.就这么简单.
这虽然是一种比较过时的方法,但被dv这么一炒作就成了香饽饽.
很好理解的.
之后,mysql把这些分词的结果
implode(' ',$arrTopicIndex)
再分词(呵呵,数据,据库...),把这些词生硬的记住了.
下面回到mysql上来,下面是查询.
$arrFTKeyWord =& DV_ChineseWordSegment($keyword);
//$ftKeyWords = implode(' ',$arrFTKeyWord);
$ftKeyWords = ''.implode(' ',$arrFTKeyWord);
//fcicq:中间省略了很多....
$stmt = "SELECT {$SQL_CACHE} /*SQL_CALC_FOUND_ROWS*/ ft.topicid FROM {$dv}topic_ft AS ft WHERE MATCH(ft.topicindex) AGAINST('{$ftKeyWords}' IN BOOLEAN MODE) ".($boardid>0?" AND ft.boardid='{$boardid}'":'')." AND ft.posttable='{$stable}'";
//fcicq:in boolean mode,能够保证每一条都查到.
$TopicIDList = '0';
if( $query = $db->query($stmt,array('absolutePage'=>$page,'pageSize'=>$pagesize,'debug'=>QUERY_DEBUG)) ){
//$Record_Count = $db->scalar("SELECT FOUND_ROWS()");
if( $Record_Count < = 0 ){ //fcicq:没有就输出错误.
head(1,0,0,$arrNavMenu);
showmsg($lang['str_42'].$lang['str_43']);
exit;
}
while( $tmpResult =& $db->fetch_row($query) ){ //fcicq:注意注意....这里就是保存刚才的id了.这里可以优化一下
$TopicIDList .= ",{$tmpResult[0]}";
}
}
$PCount = ceil( (float)$Record_Count / (float)$pagesize );
//fcicq:上面进行分页预处理,不用管它.
$__dbResults =& $db->getResultSet("SELECT {$SQL_CACHE} t.boardid,t.topicid AS rootid,t.title AS topic,t.expression,t.postusername AS username,t.postuserid,t.dateandtime,t.isbest,t.locktopic,t.child,t.hits,t.hidename FROM {$dv}topic AS t WHERE t.topicid IN({$TopicIDList}) ORDER BY t.topicid DESC");
//fcicq:这里就直接按主题的先后顺序(ORDER BY t.topicid DESC)进行了输出.
讲到这里大家都应该明白了吧,这就是最简单的分词方式.
//fcicq:下面是相关文章的检测***************************
$tmpTopicTitle = preg_replace('#^\[.*?]#i','',$TopicInfo['title']);
$arrTopicTitle =& DV_ChineseWordSegment($tmpTopicTitle); //fcicq:把文章标题分词
//echo implode(' ',$arrTopicTitle);
if (is_array($arrTopicTitle) AND !empty($arrTopicTitle)) {
//$topicIDList = '0';
$topicIDList = '';
$limitNumber = 5;
//*
$keyWordCount = 3;
$stmt = '';
$count = count($arrTopicTitle);
if( $count > 1 ){ //fcicq:注意注意...如果分出的词大于1的话.
$stmt = '';
if( $count < = $keyWordCount ){
for( $i = 0 ; $i < $count ; $i++ ){ //fcicq:每一句写一个sql,然后用union select连接,这就是所谓的相关性
if( $stmt !== '' ){
$stmt .= "\r\n UNION \r\n";
}
$stmt .= "\r\n(SELECT {$SQL_CACHE} SQL_SMALL_RESULT ft.topicid FROM {$dv}topic_ft AS ft WHERE MATCH(ft.topicindex) AGAINST('{$arrTopicTitle[$i]}') AND (ft.boardid<>444 AND ft.locktopic=0) AND ft.posttable='{$TotalUseTable}' AND ft.topicid<>'{$TopicInfo['topicid']}' LIMIT {$limitNumber})\r\n";
}
} else{
$arrRand = array();
for( $i = 0 ; $i < $keyWordCount ; $i++ ){
//$indexRand = rand(0,$count);
$indexRand = array_rand($arrTopicTitle);
if( isset($arrRand[$arrTopicTitle[$indexRand].'']) ){
//$i--;
continue;
}
$arrRand[$arrTopicTitle[$indexRand].''] = true;
if( $stmt !== '' ){
$stmt .= ' UNION ';
}
$stmt .= "\r\n(SELECT {$SQL_CACHE} SQL_SMALL_RESULT ft.topicid FROM {$dv}topic_ft AS ft WHERE MATCH(ft.topicindex) AGAINST('{$arrTopicTitle[$indexRand]}') AND (ft.boardid<>444 AND ft.locktopic=0) AND ft.posttable='{$TotalUseTable}' AND ft.topicid<>'{$TopicInfo['topicid']}' LIMIT {$limitNumber})\r\n";
}
}
$stmt .= "ORDER BY RAND()"; //fcicq:最后不忘了随机排序.
} elseif( $count === 1 ){
$stmt = "SELECT {$SQL_CACHE} SQL_SMALL_RESULT ft.topicid FROM {$dv}topic_ft AS ft WHERE MATCH(ft.topicindex) AGAINST('{$arrTopicTitle[0]}') AND (ft.boardid<>444 AND ft.locktopic=0) AND ft.topicid<>'{$TopicInfo['topicid']}'";
}
if( $query = $db->query($stmt,array('pageSize'=>$limitNumber)) ){ //fcicq:取topicid.如果多余的话就取这个数(limitnumber)
$comma = '';
while( $tmpResult =& $db->fetch_row($query) ){
$topicIDList .= "{$comma}{$tmpResult[0]}";
$comma = ',';
}
}
if (!empty($topicIDList)) { //fcicq:最后进行一次标准查询.
$stmt = "SELECT {$SQL_CACHE} SQL_SMALL_RESULT dt.topicid,dt.title,dt.boardid,dt.pollid,dt.locktopic,dt.child,dt.postusername,dt.postuserid,dt.dateandtime,dt.hits,dt.expression,dt.votetotal,dt.lastpost,dt.lastposttime,dt.istop,dt.isvote,dt.isbest,dt.posttable,dt.smsuserlist,dt.issmstopic,dt.lastsmstime,dt.topicmode,dt.mode,dt.getmoney,dt.usetools,dt.getmoneytype,dt.hidename FROM {$dv}topic AS dt WHERE dt.topicid IN({$topicIDList}) ORDER BY dt.topicid DESC";
$arrRelatedTopic =& $db->getResultSet($stmt,array('pageSize'=>$limitNumber));
}
}
//fcicq总结:
这里失去了相关性的查询功能.这种全文搜索偶一点也不提倡,除非有特殊需要.
最后的排序还是随机排序,虽然有利于收录,但是不是很好的办法.
相关性既然mysql有这个功能,就一定要用上. - 分词技术还是难点.
版权声明:fcicq原创,严禁转载.
这里BS转载偶关于pdo文章的网站,保留追究的权利.
如有问题请到blog上回复.http://www.fcicq.net/wp/?p=215
[ 本帖最后由 fcicq 于 2006-9-16 07:40 PM 编辑 ]
| 
学科
|
|
