搜索引擎中的字符串归一化
来源:互联网 发布:windows所有快捷键 编辑:程序博客网 时间:2024/06/06 02:48
搜索引擎中对于Q查询,都会涉及到字符串归一化这个步骤,以提高结果召回率。字符串的归一化包括三个方面:繁体转简体;全角字符转半角;大写字母转小写。
建倒排时,会先对字符串做归一化处理,然后再分词取term;用户查询时,也会对查询串做同样的操作,这样就能找到对应的倒排链。
在返回查询结果给前端时,会按照查询串对原文做飘红,这里就涉及到一个问题,原文是没有归一化的;为了解决这个问题,我们自己写了个normalize_strstr,如下:
char* normalize_strstr(const char *src, int srclen,
const char *key, int keylen, int *outsize){
unsigned short srcword = 0, keyword = 0;
int srcpos = 0;
do {
int tmppos = srcpos;
int keypos = 0;
do {
keyword = get_utf8_word(key, keylen, &keypos);
if(keyword == 0) {
*outsize = tmppos - srcpos;
return (char*)(src + srcpos);
}
srcword = get_utf8_word(src, srclen, &tmppos);
if(srcword == 0) {
return NULL;
}
}while(TOLOWER(g_uni_normal_map[keyword]) == // compare key with substr
TOLOWER(g_uni_normal_map[srcword])); // normal map doesn't convert upper case to lower
} while(get_utf8_word(src, srclen, &srcpos) != 0); // move forward one utf8 character
return NULL;
}
关于gbk, gb18030, utf8, unicode等问题,可以参见: http://www.cnblogs.com/xiaomia/archive/2010/11/28/1890072.html 。
几个关键点:gbk都是双字节;gb18030大多都是双字节,有少量4字节;unicode为世界上每个字指定一个编码,目前还没有超出2字节; utf8是对unicode的编码,以便于传输,目前有1字节,2字节,3字节,4,5,6字节,中文大多落在3字节。所以中文用utf8存储,比gbk存储要多出50%空间。另外strstr系列函数,对gbk是不安全的,即第一个字符的第二个字节,和第二个字符的第一个字节,可能是另外一个汉字。但utf8对strstr就是安全的,浪费一些空间,让每个byte的前缀不同。
编码转码相关的代码,可以参考:http://code.google.com/p/pycode-hz/ 。 这是py的作品,简洁明了,看看就知道编码究竟是怎么回事。不过效率的话,这里的编码转换性能,不如系统自带的iconv高。
- 搜索引擎中的字符串归一化
- 字符串归一化
- Matlab中的数据归一化
- Matlab中的数据归一化
- Matlab中的数据归一化
- Matlab中的数据归一化
- opencv中的归一化函数
- Matlab中的归一化处理
- 机器学习中的归一化
- itk中的图像归一化
- 机器学习中的归一化问题
- 数字信号处理中的归一化频率
- 机器学习中的标准化/归一化
- 归一化
- 归一化
- 归一化
- 归一化
- 归一化
- CentOS下CPPCMS的编译指南
- 跟我一起写 Makefile(Linux)
- 在使用逗号连接的时候,切割最后一个逗号
- 记录下
- EXT 开发的利器 spekt配置
- 搜索引擎中的字符串归一化
- json集合中的时间对象转换成普通时间格式
- 关于Jsoup 伪装请求头
- 佘太君真的存在吗 杨门女将的历史真相
- LAMP架构下的Web开发概念、流程及优化策略
- Linux Kernel and Android 休眠与唤醒
- 在firefox中获取网页里的SWF对象
- char、nvarchar和varchar区别
- OpenCV学习笔记(三十三)——用haar特征训练自己的分类器(再做手势检测)