学习Xapian(2) – 拼写校正

Xapian提供了拼写校正功能,其基本算法就是编辑距离,只不过它支持UTF-8,也就是说是支持中文的。

1、建立拼写校正辞典

虽然编辑距离的算法很土很原始,但是Xapian提供了方便的接口建立辞典,至少有如下两种方式:
(1)Xapian::WritableDatabase.db.add_spelling(word, freq)
word就是正确的词,freq是出现频率,默认是1。
频率的作用是这样的,如果对于一个词比如篮球和蓝球,前者add了4次,后者出现了3词,那么当对”兰球”进行拼写纠正的时候,就会选择多的那个即篮球。
(2)上面的add_spelling方法有点麻烦,如果把一个词一个词添加进去不是很麻烦……于是我们继续借助TermGenerator.
首先Xapian::TermGenerator.set_database(db)
然后Xapian::TermGenerator.set_flags(FLAG_SPELLING)
之后,索引通过TermGenerator建索引的词都会被加入到Spelling辞典中了!

2、使用辞典进行拼写校正

现在我们有了辞典,如何进行拼写校正呢,这是在Query阶段完成的。
(1)打开Xapian::Database
(2)调用db.get_spelling_suggestion(word,dist = 2)就能获得校正啦!如果没有建议的校正,会返回一个空的字符串,这需要自己处理一下。dist是允许的最大编辑距离,默认是2.

转载自:Xapian 学习(2) 拼写校正

总体来说,虽然编辑距离算法是最土的算法之一(相对与语义分析等高端技术),但对于一般的简单检索系统已经足够了。更何况Xapian提供了强大、合理的接口,让我们能很方便的建立起拼写纠正辞典,这真的已经是很人性化的了。

源代码:通过add_spelling,一个一个的建立起拼写纠正辞典

#include <xapian.h>
#include <iostream>

using namespace std;

#define CONTENT "70比 69, 这是 男篮 亚锦赛 历史上 的 最小 分 差 比赛 , 笑 到 最后 的是 东道主 中国队 。 可以说 , 这是 一次 最 惊险 的 胜利 ; 也可 以 说 , 这是 中国男篮 最 幸运 的 结局 。终 >  场 哨 响 , 中国队 主教练 邓 华德 和 篮管中心 副主任 胡 加时 紧紧拥抱 在一 起 , 两人 都 激动 得 热泪盈眶 —— 中国队 赢了 , 赢得 很 庆幸 。"

const char * SPELLS[3] = {"篮球", "蓝球", "蓝球"};

#define INDEX_PATH "./index_data"

int main()
{
	try
	{
		//Text to be indexed
		string content(CONTENT);

		//Open an Database for write
		Xapian::WritableDatabase db(string(INDEX_PATH), Xapian::DB_CREATE_OR_OPEN);

		//Prepare TermGenerator, just split word by space, not chinese analysis
		Xapian::TermGenerator indexer;

		//Make Document
		Xapian::Document doc;
		doc.set_data(content);
		indexer.set_document(doc);
		indexer.index_text(content);
		//Add Document to db
		db.add_document(doc);

		//Make Spelling one by one
		for(int i=0; i<3; i++)
		{
			db.add_spelling(string(SPELLS[i]), 1000);
		}

		//Flush to disk
		db.commit();
	}
	catch(const Xapian::Error &e)
	{
		cout << e.get_description() << endl;
	}
	return 0;
}

源代码:通过TermGenerator方式建立起来的拼写纠正

#include <xapian.h>
#include <iostream>

using namespace std;

#define CONTENT "70比 69, 这是 男篮 亚锦赛 历史上 的 最小 分 差 比赛 , 笑 到 最后 的是 东道主 中国队 。 可以说 , 这是 一次 最 惊险 的 胜利 ; 也可 以 说 , 这是 中国男篮 最 幸运 的 结局 。终 >  场 哨 响 , 中国队 主教练 邓 华德 和 篮管中心 副主任 胡 加时 紧紧拥抱 在一 起 , 两人 都 激动 得 热泪盈眶 —— 中国队 赢了 , 赢得 很 庆幸 。 篮球 "

#define INDEX_PATH "./index_data"

int main()
{
	try
	{
		//Text to be indexed
		string content(CONTENT);

		//Open an Database for write
		Xapian::WritableDatabase db(string(INDEX_PATH), Xapian::DB_CREATE_OR_OPEN);

		//Prepare TermGenerator, just split word by space, not chinese analysis
		Xapian::TermGenerator indexer;

		//Set TermGenerator Database and SPELLING flag
		indexer.set_database(db);
		indexer.set_flags(indexer.FLAG_SPELLING);

		//Make Document
		Xapian::Document doc;
		doc.set_data(content);
		indexer.set_document(doc);
		indexer.index_text(content);

		//Add Document to db
		db.add_document(doc);

		//Flush to disk
		db.commit();
	}
	catch(const Xapian::Error &e)
	{
		cout << e.get_description() << endl;
	}
	return 0;
}

源代码:查询时候获取拼写纠正结果

#include <xapian.h>
#include <iostream>

using namespace std;

#define INDEX_PATH "./index_data"

#define WORD "兰球"

int main()
{
	try
	{
		//Query
		string word(WORD);

		//Open an Database for read
		Xapian::Database db(string(INDEX_PATH));

		//Ask for spelling suggestion
		cout << "Spelling suggestion for " << word << " is " << db.get_spelling_suggestion(string(word)) << endl;

	}
	catch(const Xapian::Error &e)
	{
		cout << e.get_description() << endl;
	}
	return 0;
}

Leave a Reply

Your email address will not be published.