• 自定义 SCWS 词库

    自定义 SCWS 词库

    如之前所说,我们所有的索引分词器默认为 scws,这也是我们开发的开源分词系统,内置的词库基本上能满足绝大多数应用。但总有例外,这也就是即将说的如何自定义词库。1. 全局自定义词库这是针对同一个 xunsearch 安装实例来讲,该服务端下的所有项目都将共用这个自定义词库。严格来讲,这是 SCWS 本身就提供的功能,xunsearch 只是做了整合和规范。涉及的相关文件如下(假设 $prefix 是您的安装目录)

    1. $prefix/etc/dict_user.txt

    打开上述文件,文件开头已经有了相关注释和说明。这个文件就是自定义词库文件,如果您同一台机器上装有多个 xunsearch 服务端,那么每个服务端独自使用自己的自定义词典文件。

    添加删除修改自定义词库只要编辑该文件即可,以下为相关规范:

    • 文件为纯文本文件,编码必须是 UTF-8,可用任何编辑器修改
    • 每行一条记录表示一个词,每行包含 1~4 个字段,字段之间用空格或制表符(\t)分隔
    • 字段含义依次表示 “词语”,“词频(TF)”,“逆词频率(IDF)”,“词性(ATTR)”
    • 后面三个字段如果省略依次使用 scws 的默认值
    • 特殊词性 ! 可用于表示删除该词
    • 自定义词典优先于内置词典加载和使用,以 # 开头的行为注释

    Note: 该功能自 1.2.0 版本起方可使用,源自网友建议。

    2. 项目自定义词库某些情况下,不同的项目需要不同的特殊词库。每个搜索项目的自定义词库文件如下:

    1. $prefix/data/项目名称/dict_user.txt

    文件内容及格式与全局自定义词库是一致的,在此不再赘述。此外,这个文件还可以通过相关的SDK API 读取和修改。

    • XSIndex::getCustomDict 读取当前项目的自定义词库内容,若不存在则返回空字符串
    • XSIndex::setCustomDict 设置当前项目的自定义词库内容,格式参见上面文档

    Note: 该功能自 1.3.4 版本起方可使用。