78 lines
4.3 KiB
Markdown
78 lines
4.3 KiB
Markdown
|
[](https://github.com/wangfenjin/simple/actions?query=workflow%3ACI)
|
|||
|
|
[](https://codecov.io/gh/wangfenjin/simple)
|
|||
|
|
[](https://github.com/wangfenjin/simple/blob/master/LICENSE)
|
|||
|
|
|
|||
|
|
# Simple tokenizer
|
|||
|
|
|
|||
|
|
simple 是一个支持中文和拼音的 [sqlite3 fts5](https://www.sqlite.org/fts5.html) 拓展。它完整提供了 [微信移动端的全文检索多音字问题解决方案](https://cloud.tencent.com/developer/article/1198371) 一文中的方案四，非常简单和高效地支持中文及拼音的搜索。
|
|||
|
|
|
|||
|
|
实现相关介绍：https://www.wangfenjin.com/posts/simple-tokenizer/
|
|||
|
|
|
|||
|
|
在此基础上，我们还支持通过 [cppjieba](https://github.com/yanyiwu/cppjieba) 实现更精准的词组匹配，介绍文章见 [Simple: SQLite3 结巴分词插件](https://www.wangfenjin.com/posts/simple-jieba-tokenizer/)。
|
|||
|
|
|
|||
|
|
## 用法
|
|||
|
|
|
|||
|
|
首先需要确认你用到的 sqlite 版本支持 fts5 拓展，确认方法是：
|
|||
|
|
```sql
|
|||
|
|
select fts5(?1);
|
|||
|
|
```
|
|||
|
|
然后就可以使用了，具体的例子可以参考 [example.sql](./example.sql) 和 [cpp](https://github.com/wangfenjin/simple/blob/master/examples/cpp/main.cc)
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
$ ./sqlite3
|
|||
|
|
SQLite version 3.32.3 2020-06-18 14:00:33
|
|||
|
|
Enter ".help" for usage hints.
|
|||
|
|
Connected to a transient in-memory database.
|
|||
|
|
Use ".open FILENAME" to reopen on a persistent database.
|
|||
|
|
sqlite> .load libsimple
|
|||
|
|
sqlite> CREATE VIRTUAL TABLE t1 USING fts5(text, tokenize = 'simple');
|
|||
|
|
sqlite> INSERT INTO t1 VALUES ('中华人民共和国国歌');
|
|||
|
|
sqlite> select simple_highlight(t1, 0, '[', ']') as text from t1 where text match simple_query('中华国歌');
|
|||
|
|
[中华]人民共和[国国歌]
|
|||
|
|
sqlite> select simple_highlight(t1, 0, '[', ']') as text from t1 where text match jieba_query('中华国歌');
|
|||
|
|
[中华]人民共和国[国歌]
|
|||
|
|
sqlite> select simple_highlight(t1, 0, '[', ']') as text from t1 where text match simple_query('中华人民共和国');
|
|||
|
|
[中华人民共和国国]歌
|
|||
|
|
sqlite> select simple_highlight(t1, 0, '[', ']') as text from t1 where text match jieba_query('中华人民共和国');
|
|||
|
|
[中华人民共和国]国歌
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
## 功能
|
|||
|
|
|
|||
|
|
1. simple tokenizer 支持中文和拼音的分词，并且可通过开关控制是否需要支持拼音
|
|||
|
|
2. simple_query() 函数实现自动组装 match query 的功能，用户不用学习 fts5 query 的语法
|
|||
|
|
3. simple_highlight() 实现连续高亮 match 的词汇，与 sqlite 自带的 highlight 类似，但是 simple_highlight 实现了连续 match 的词汇分到同一组的逻辑，理论上用户更需要这样
|
|||
|
|
4. simple_highlight_pos() 实现返回 match 的词汇位置，用户可以自行决定怎么使用
|
|||
|
|
5. simple_snippet() 实现截取 match 片段的功能，与 sqlite 自带的 snippet 功能类似，同样是增强连续 match 的词汇分到同一组的逻辑
|
|||
|
|
6. jieba_query() 实现jieba分词的效果，在索引不变的情况下，可以实现更精准的匹配。可以通过 `-DSIMPLE_WITH_JIEBA=OFF ` 关掉结巴分词的功能 [#35](https://github.com/wangfenjin/simple/pull/35)
|
|||
|
|
7. jieba_dict() 指定 dict 的目录，只需要调用一次，需要在调用 jieba_query() 之前指定。
|
|||
|
|
|
|||
|
|
## 开发
|
|||
|
|
|
|||
|
|
### 编译相关
|
|||
|
|
|
|||
|
|
使用支持 c++14 以上的编译器编译，直接在根目录 ./build-and-run 就会编译所有需要的文件并运行测试。编译输出见 output 目录
|
|||
|
|
|
|||
|
|
也可以手动 cmake:
|
|||
|
|
```shell
|
|||
|
|
mkdir build; cd build
|
|||
|
|
cmake ..
|
|||
|
|
make -j 12
|
|||
|
|
make install
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### 代码
|
|||
|
|
- `src/entry` 入口文件，注册 sqlite tokenizer 和函数
|
|||
|
|
- `src/simple_tokenizer` 分词器实现
|
|||
|
|
- `src/simple_highlight` 高亮函数，基于内置的高亮函数改的，让命中的相邻单词连续高亮
|
|||
|
|
- `src/pinyin` 中文转拼音以及拼音拆 query 的实现
|
|||
|
|
|
|||
|
|
## TODO
|
|||
|
|
|
|||
|
|
- [ ] 加一些代码注释
|
|||
|
|
- [x] 添加 CI/CD
|
|||
|
|
- [x] 添加使用的例子，参见 [cpp](https://github.com/wangfenjin/simple/blob/master/examples/cpp/main.cc)
|
|||
|
|
- [x] 部分参数可配，比如拼音文件的路径(已经把文件打包到 so 中)
|
|||
|
|
- [x] 减少依赖，减小 so 的大小
|
|||
|
|
- [x] 给出性能数据：加载扩展时间2ms内；第一次使用拼音功能需要加载拼音文件，大概 500ms；第一次使用结巴分词功能需要加载结巴分词文件，大概 4s。
|