使用libmmseg实现Ruby的中文分词功能

用Ruby on Rails开发web2.0网站的人都知道，ruby的全文检索功能不像Java支持的那样好，要提供中文的全文检索功能是一件很困难的事情，而偏偏全文检索是web2.0网站绕不过去的一道坎。虽然ruby也有类似lucene的全文检索软件ferret，但是ferret本身并没有提供中文分词功能，必须自己另行扩展中文分词功能。因此攻克ruby中文全文检索功能的瓶颈在于提供ruby的中文分词功能。

Java的lucene虽然也没有中文分词功能，但是现在有很多第三方开源的Java中文分词项目，因此Java的中文分词并不是一个难以解决的问题。但对于ruby来说，由于ruby的性能相当差，因此中文分词这种需要大量的、密集的字符串运算，ruby编写的中文分词代码性能根本无法接受，唯一的办法就是用C/C++编写分词算法，用ruby去调用。

libmmseg是李沫南用C++编写的开源的中文分词软件，libmmseg的分词算法采用的是“基于词库的最大匹配算法”，分词速度为每秒300KB左右。

libmmseg主要被作者用来实现Sphinx全文检索软件的中文分词功能，因此作者给Sphinx提供了一个补丁文件，可以让Sphinx集成libmmseg，从而支持对于中文文章的全文检索功能，关于这一点可以看：http://www.coreseek.cn/index.php?page=Sphinx的介绍。

libmmseg从0.7.2版本开始，作者提供了ruby调用的接口，所以我们可以直接在ruby程序里面调用libmmseg进行分词了。特别是我们可以用ferret去调用libmmseg分词功能，从而让ruby原生支持中文的全文检索，这无疑是一个好消息。然而libmmseg和ruby的集成颇有些麻烦，因此希望这篇文章可以提供一点点指导。

一、下载libmmseg

首先是到作者的网站下面最新版本的libmmseg http://www.coreseek.cn/opensource/mmseg/，但libmmseg 0.7.3作者还没有在网站上面更新，因此可以从本文附件下载。

二、安装libmmseg

解压缩以后，标准的Unix源代码编译安装流程：

unzip mmseg-0.7.3.zip
cd mmseg-0.7.3
chmod a+x configure
./configure
make && make install

顺利的话libmmseg被安装到/usr/local相应的目录下面，建议再执行一下 ldconfig 命令，更新链接库缓存。

提示：编译libmmseg，gcc的版本必须是4.0以上。我的Linux是gcc 3.3.3编译失败，解决办法是注释掉src/css/UnigramCorpusReader.cpp这个文件的int UnigramCorpusReader::open(const char* filename, const char* type)方法里面的所有内容，让这个方法为空方法，这样就可以编译通过了。但是mmseg命令行工具就无法使用了。

三、安装ruby扩展

libmmseg软件包下面有一个ruby目录，进入该目录编译ruby。这里作者没有把相应的h文件依赖关系写好，因此需要我们手工把所有相关h文件拷贝到当前目录，确保编译的通过，详细操作如下：

cd ruby
cp /usr/local/include/mmseg/*.h . 
cp ../src/*.h .
cp ../src/css/*.h .
ruby extconf.lin.rb
make && make install

顺利的话，编译好的mmseg.so就会被拷贝到ruby的系统库扩展目录下面。你可以简单的测试一下，进入irb，尝试load一下mmseg，看能否成功：

irb
require 'mmseg'

四、创建词典文件

进入libmmseg软件包的data目录下面，执行如下命令：

mmseg -u unigram.txt

把生成的文件改名为uni.lib，拷贝到ruby目录下面，然后执行测试：ruby test.rb，如果一切都顺利的话，你可以看到test.rb测试是通过的。

提示：如果你的gcc版本低于4.0，则无法编译libmmseg，如果你按照前面的提示编译通过了，那么这里无法使用mmseg生成词典文件。解决办法就是另外找台机器安装gcc4.0编译，生成字典文件。

五、编写ferret的Analyzer，封装一个可以处理中文的分词器

我们知道ferret的StandardAnalyzer是不支持中文分词的，因此我们要自己封装一个Analyzer，用mmseg来分词。然后在我们自己的Rails项目目录下面，我们把前面创建好的词典文件uni.lib放在项目的dict/uni.lib位置(可以自己创建一个dict目录)，记得在程序里面正确的加载词典文件：

require 'ferret'
require 'mmseg'

class ChineseAnalyzer < Ferret::Analysis::Analyzer
  def initialize
    @mmseg = Mmseg.createSeg("#{RAILS_ROOT}/dict", "")
  end
  
  def token_stream(field, text)
    Ferret::Analysis::LowerCaseFilter.new(Tokenizer.new(@mmseg, text))
  end
end

class Tokenizer < Ferret::Analysis::TokenStream
  def initialize(mmseg, text)
    @mmseg = mmseg
    self.text = text
  end
  
  def next
    if @mmseg.next
      @token.text = @text[@[e-mail]]
      @token.start = @mmseg.start
      @token.end = @mmseg.end
      @token
    end
  end
  
  def text
    @text
  end

  def text=(text)
    @text = text
    @mmseg.setText(text)
    @token = Ferret::Analysis::Token.new("", 0, 0)
  end    
end

有了这个ChineseAnalyzer，我们就可以方便的在Rails程序里面进行中文分词和全文检索了。根据我的实际测试，在ruby代码中调用libmmseg，性能相当不错，而且内存消耗比较低，完全可以放心的在生产环境使用，作为Rails网站的中文全文检索功能的支撑。