搜索引擎的那些事（中文分词）
【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】
前面，我们在介绍搜索引擎的时候也谈到过中文分词。和英文不一样，中文上所有的汉字都是连在一起的，所以我们的一项工作就是把这些词语拆分成一个一个词组。因为只有这样才能构建索引数据库、才能查找索引，我们构建搜索引擎的工作才能继续进行下去。
现在关于中分分词有好多的分词方法，什么从左向右最大长度法、从右向左最大长度法、最少词组法、贝叶斯概率处理法等等。但是说了这么多，我们分词的标准是什么，关键还在于有一个好的分词字典。中国汉字那么多，但是数量上估计几万个足够了。但是如果汉字与汉字组合起来构成词组，那数量就多了去了，比如说文学词语、口语、人名、地名、诗词、专业术语等等。说到这里，可以给大家举个例子看一下。大家都喜欢搜狗输入法，一方面它的设计比较人性化，另外一方面不正是因为它词库很多、使用方便吗？
关于分词的算法，有的人觉得很玄乎，其实写一个也不复杂，我们就可以写一个最大长度遍历的分词算法。当然这里只是考虑了汉字分词，如果是英文、数字、繁体字或者符号，那就要另外考虑了。这也验证了我们之前反复说的一句话，简单做一件事不难，关键是怎么做好了、干漂亮了、高效又能节省成本。
#include <stdio.h>#include <string.h>#include <memory.h>#include <malloc.h>#define LENGTH 256static char* dic[] = {"北京", "大学", "北京大学"};#define NUMBER (sizeof(dic) / sizeof(char*))static char* buffer[LENGTH] = {0};static int max_len = 0;static int min_len = 0;static int find_max_length(){int index;unsigned int len;len = 0;for(index = 0; index < NUMBER; index ++){if(len < strlen(dic[index])){len = strlen(dic[index]);}}return len;}static int find_min_length(){int index;unsigned int len;len = strlen(dic[0]);for(index = 1; index < NUMBER; index++){if(strlen(dic[index]) < len){len = strlen(dic[index]);}}return len;}static void show_buffer(int end){int start;for(start = 0; start < end; start ++){printf("%s ", buffer[start]);}printf("\n");}static void _process_segment(char* str, int index){int start;int len ;int found;char* data;char* label;if('\0' == *str){ show_buffer(index);return;}label = str + strlen(str);retry:len = strlen(str);if(len > LENGTH){len = LENGTH;}if(len > max_len){len = max_len;}found = 0;while(len >= min_len){for(start = 0; start < NUMBER; start ++){if(0 == strncmp(str, dic[start], len)){found = 1;break;}}if(found){break;}len --;}/* if no str was found, just step forward, but cannot beyond label */if(len < min_len && str < label){str ++;goto retry;}/* if no str was left, show all the str */if(str >= label){show_buffer(index);return;}data = (char*) malloc(len + 1);if(NULL == data){return;}data[len] = '\0';memmove(data, str, len);buffer[index] = data;_process_segment(str + len, index + 1);free(data);buffer[index] = NULL;}void process_segment(char* str){int length;if(NULL == str){return;}length = strlen(str);if(length > LENGTH){return;}_process_segment(str, 0);}void segment_init(){min_len = find_min_length();max_len = find_max_length();memset(buffer, 0, sizeof(buffer));}int main(int argc, char* argv[]){segment_init();process_segment("北京 大学 日本");return 1;}
代码中最复杂的函数其实就是_segment_process这个函数，中间涉及的情况比较多，可以简单介绍一下：
（1）分词的时候建议考虑一下当前词库的最小长度和最大长度，可以避免不必要的比较；
（2）分词如果查找失败，跳过从下一个字节开始继续查找；
（3）函数采用了递归的方法，注意函数出口；
（4）函数编写的时候注意buffer堆栈的浮动处理；
（5）注意函数中判断条件的依据和原因。
（6）这里dic的词库数量太少，要想利用process_segment进行分词处理，词库数量必须足够多。