记录与PHP的PK经历 » 中文

WordPress SEO 中文插件 V1.0发布！

askie — Mon, 28 Jul 2008 15:27:37 +0000

这次更新内容比较多，动作比较大，主要是听取了大家的意见并加入了自己的一些想法！

1.修正了无法访问分词服务器错误信息
2.修正了没有目录出现的错误信息
3.修正了在编写文章时由于自动存储文章而无法在发表文章时根据全文获取中文关键词的bug
4.增加了使用函数用户自定义相关文章的功能输出位置的功能（傻瓜功能保留）
5.增加首页是否显示相关文章的选项（未完成）
6.如果相关文章不存在，则随机输出文章
7.将中文关键词更换为链接的形式
8.将文章内容中的关键词替换为链接

新版下载：WordPress SEO 中文插件
插件主页：WordPress中文SEO插件
本人博客：http://www.pkphp.com/

Related items

http://www.pkphp.com/(1)WordPress (1)

【原创】WordPress中文SEO插件 V0.8发布!

askie — Sun, 13 Jul 2008 01:53:43 +0000

V0.8版新增加了：英文关键词建议，根据本地tags、文章标题和文章内容通过YahooAPI进行关键词解析，最终获得Yahoo建议的英文关键词组合。

由于是Yahoo搜索引擎给出的关键词建议，因此关键词与文章的关联度大大增强！

注意：Yahoo英文关键词仅仅支持英文文章获取关键词，非英文无法获取关键词，中文关键词请使用“pkphp关键词建议”。

以下是在编辑页面出现的新的关键词建议面板：

新版下载：WordPress SEO 中文插件
插件主页：WordPress中文SEO插件
本人博客：http://www.pkphp.com/

WordPress中文SEO插件 V0.7发布，强烈建议升级！

askie — Sun, 06 Jul 2008 14:13:27 +0000

WordPress中文SEO插件 V0.7发布，虽然中间越过了几个版本，但是功能上变化不大，但是V0.7修正了一个严重的Bug，该Bug是：
旧版本（小于等于V0.6）会在wp_postmeta里生成post_id=0的重复记录，该重复的记录会造成编辑器假死状态！
V0.7修正了该bug，并且会自动判断插件版本并删除wp_postmeta里post_id=0的重复记录！

强烈建议大家升级！
新版下载：WordPress SEO 中文插件

Related items

WordPress (1)中文tag插件(1)

WordPress SEO 中文插件设计细节公布

askie — Sun, 29 Jun 2008 04:48:02 +0000

WordPress SEO 中文插件这款插件是在simple tags插件得到设计灵感的。simple tags插件不用我介绍吧，功能相当强悍，但是这款插件对中文来说有个软肋，就是无法实现中文分词，也就是说没有办法从中文文章中提取关键词。关于中文分词大家可以看看denis的在《WordPress SEO 中文插件》中的介绍。看到了这个问题，我想知道中文能不能实现分词，实现自动根据文章提取关键词，进行SEO优化？经过2个星期的构思和一个星期的业余时间的编写最终完成这款插件的初始模型。

下面我说一下Wordpres SEO 中文插件的功能，说之前我想先说说每个有独立博客的站长或多或少对wordpress有如下需求：

1. 发表文章的时候你习惯自己手工添加tag么？
2. 发表文章的时候你习惯给文章添加摘要么？
3. 你知道你发表的文章关键词有哪些？
4. 添加关键词的时候不知道以前都添加了哪些tag，也不知道哪些tags跟这篇文章有关系，手工添加可能会忘记某个与文章有关联的tag。
5. 能不能自动向每篇文章的keywords和description中添加关键词和文章摘要？

以上问题我均在Wordpress SEO 中文插件插件中做了考虑并完成了功能制作：

1.在文章编写和创建的页面文章内容的输入框下面添加一个关键建议的输入框，其中有两个功能，第一个功能是PKPHP关键建议，点击这个按钮，插件会根据当前输入的文章主题和文章内容进行分词，返回建议的关键词。注意：这里的关键建议出来的关键词已经进行了如下操作：
a)首先把当前系统中已经存在的关键词逐个在文章标题和文章内容中进行搜索，如果本地的某个tag出现在了文章标题和内容中，那么这个词首先被建议。
b)然后搜索插件对你的博客已存在的目录进行分词，如果某个分词出现在了文章中，那么这个词被建议。
c)然后对文章标题进行分词，如果标题中的分词出现在了文章内容中，那么该词被建议。
d)最后对文章内容进行分词，提取若干权重高的词语当作建议关键。
通过以上步骤能够尽可能的尊重人工动作，即优先已存在的tags和目录名（目录名都是手工创建的吧？），最后才进行程序分词进行建议。通过这个过程能够解决问题1、3、4的问题。

第二个功能是罗列出来已经存在的tags，做这个的目的是增加你选择tags的自由度，当插件不能够满意的实现关键词建议时，你可以方便手动的选择已经存在的tags了。

2.程序自动读截取你设定字数的文章内容当作文章摘要，这个可能大部分都不关心。但是这个摘要在wordpress列表中经常要使用的，如果文章没有摘要那么显示摘要的时候可能就显示全文了。目前插件只是机械的按照字数从头到尾截取字符串，将来的打算是按照关键词优先权从不同的地方截取与关键词有关的段落或文字，这样截取出来的字符串将更容易与关键词关联，有利于SEO！这是下一步的打算，请大家鼓励一下！

3.插件实现了文章页面自动填入keywords和description的功能。

通过目前的功能你已经可以实现我罗列出来的问题了，写博客的时候你就不用考虑关键词如何选取、如何选准的问题了，大家可省下时间专心写博客了！该插件经denis朋友给与了很多建议，在此表示极大的感谢！

需要插件的朋友可以去《WordPress SEO 中文插件》下载插件！

SCWS简易中文分词系统

askie — Thu, 12 Jun 2008 15:04:26 +0000

SCWS-1.x.x 自述文件 (Written by hightman)
HomePage: http://www.hightman.cn

$Id: README,v 1.1.1.1 2008/03/04 14:00:36 hightman Exp $

> ———————————————————– <
1. 简介

2. 安装说明

3. API 使用说明

4. 配套工具

5. PHP 扩展安装说明

6. 代码结构

7. rules.ini 规则集编写说明

> ———————————————————– <

[SCWS 简介]

SCWS 是 Simple Chinese Words Segmentation 的缩写（简易中文分词系统）。
它是一套基于词频词典的机械中文分词引擎，它能将一整段的汉字基本正确的
切分成词，因为词是汉语的基本语素单位，而书写的时候不像英语会在词之间
用空格分开，所以如何准确快速的分词一直是中文分词的攻关难点。

本分词法并无太多创新成分，采用的是自己采集的词频词典，并辅以一定的专
有名称，人名，地名，数字年代等规则识别来达到基本分词，经小范围测试大
概准确率在 90% ~ 95% 之间，已能基本满足一些小型搜索引擎、关键字提取
等场合运用。首次雏形版本发布于 2005 年底。

本系统支持的汉字编码包括 GBK、UTF-8

在线分词演示：
G B K: http://www.hightman.cn/demo/scws/v4.php
UTF-8: http://www.hightman.cn/demo/scws/v48.php

详情可参看：http://www.hightman.cn/?scws

[安装说明]

以 Linux(FreeBSD) 操作系统为例

1. 取得 scws-1.0.0 的代码
wget http://www.hightman.cn/down/logged/lscws-1.0.0.tar.gz

2. 解开压缩包
[hightman@d1 ~]$ tar xvzf scws-1.0.0.tar.gz

3. 进入目录执行配置脚本和编译
[hightman@d1 ~]$ cd scws-1.0.0
[hightman@d1 ~]$ ./configure –prefix=/usr/local/scws ; make ; make install

注：这里和通用的 GNU 软件安装方式一样，具体选项参数执行 ./configure –help 查看。
常用的三个选项为：
–prefix=
–disable-mmap <这表示禁用 MMAP 来读取 xdb，在 debian, ubuntu 的部分 Linux 中建议关闭 mmap>
–enable-developer <这表示以开发者模式编译，主要是用于调试编译时加入了 -g 选项及部分标准输出的信息>

4. 顺利的话已经编译并安装成功到 /usr/local/scws 中了，执行下面命令看看文件是否存在
[hightman@d1 ~]$ ls -al /usr/local/scws/lib/libscws.la

5. 试试执行 scws-cli 文件
[hightman@d1 ~]$ /usr/local/scws/bin/scws -h
scws (scws-cli/1.0.0)
Simple Chinese Word Segmentation – Command line usage.
Copyright (C)2007 by hightman.
…

6. 生成词典
在源代码目录树的 etc/ 目录下附上了词典的文本文件，编码为 GBK，使用前必须先转换成 xdb 格式。
假设您在源码目录中，请执行
/usr/local/scws/bin/gen_scws_dict -h 查看词典生成帮助，调用指令(-c用于指定编码, gbk或utf8)：

/usr/local/scws/bin/gen_scws_dict -c gbk -i etc/dict_chs_gbk.txt -o /usr/local/scws/etc/dict_chs_gbk.xdb
/usr/local/scws/bin/gen_scws_dict -c utf8 -i etc/dict_chs_utf8.txt -o /usr/local/scws/etc/dict_chs_utf8.xdb

执行需要一段时间，最终生成可用的 xdb 文件于 /usr/local/scws/etc/ 中

注：如果您需要使用 utf8 编码，请事先将 dict_chs_gbk.txt 转换成 utf8 编码再调用 gen_scws_dict 来转换。

7. 写个小程序测试一下
[hightman@d1 ~]$ cat > test.c
#include
main()
{
scws_t s;
s = scws_new();
scws_free(s);
printf(“test ok!\n”);
}

8. 编译测试程序
gcc -o test -I/usr/local/scws/include -L/usr/local/scws/lib test.c -lscws
./test

9. 好了，就可以用这套 API 了

> ———————————————————– <

[LibSCWS API 使用说明]

本说明由 hightman 编写于 2007.06.08
网页版地址：http://www.hightman.cn/bbs/viewthread.php?tid=37

0. 概述
Libscws 代码是当前 SCWS(简易中文分词) 算法使用C语言编写的链接库，
目前仅基于 Unix 族的操作系统，可能必须适当修改才能运行在 Windows
平台中。这套 scws 库没有外部扩展依赖，代码力争简洁高效，针对分词
词典组织上做了一些优化。除分词外，由于分词词库采用的是自行设计的
xdb 和 xtree 结构，故本库函数也可以用以 XDB 和 XTree 数据存取
（另行介绍，暂时没有说明）。

1. 数据类型（仅列出API中需要关注的部分）
·scws 操作句柄，几乎所有的 API 函数都使用到它，不应尝试拷贝 scws_st 结构，不保证这类拷贝结果会有用。
typedef struct
{
xdict_t d;
rule_t r;
unsigned char *mblen;
unsigned int mode;
unsigned char *txt;
int len;
int off;
int wend;
scws_res_t res0;
scws_res_t res1;
word_t **wmap;
struct scws_zchar *zmap;
} scws_st, *scws_t;
struct scws_zchar
{
int start;
int end;
};
注：xdict_t 和 rule_t 分别是词典和规则集的指针，可判断其是否为 NULL 来判断加载的成功与失败。
·scws 系列结果集，每次 scws 返回的分词结果的数量都是不定的，直到返回结果为 NULL 才表示这次分词过程结束，这是一个单链表结构。
typedef struct scws_result *scws_res_t;
struct scws_result
{
int off;
float idf;
unsigned char len;
char attr[3];
scws_res_t next;
};
·scws 高频关键词统计集，简称＂词表集＂，这是 scws 中统计调用时返回用的结构，也是一个单链表结构。

typedef struct scws_topword *scws_top_t;
struct scws_topword
{
char *word;
float weight;
short times;
char attr[2];
scws_top_t next;
};

2. 函数说明
·scws_t scws_new();
描述：分配或初始化与scws系列操作的 scws_st 对象。该函数将自动分配、初始化、并返回新对象的指针。通过调用 scws_free() 来释放该对象。
返回值：初始化的 scws_st * （即 scws_t）句柄。如果无足够内存以分配新的对象，返回NULL。
错误：在内存不足的情况下，返回NULL。
·void scws_free(scws_t s);
描述：释放由 scws_new() 返回的 scws 操作句柄及对象内容，同时也会释放已经加载的词典和规则。
返回值：无
错误：无
·void scws_set_charset(scws_t s, const char *cs);
描述：设定当前 scws 所使用的字符集，目前仅支持 gbk 和 utf-8 两种字符集。参数 cs 描述的是新指定的字符集。若无此调用则系统缺省使用gbk字符集，指定字符集时 cs 参数的大小写不敏感。
返回值：无
错误：若指定的字符集不存在，则会自动使用 gbk 字符集替代。
·void scws_set_dict(scws_t s, const char *fpath, int mode);
描述：设定当前 scws 操作所有的词典文件。参数 fpath 描述的是词典的文件·¯径，词典格式是 XDB 格式。
参数 mode 有2种值，分别为宏定义的：SCWS_XDICT_XDB （这表示直接读取 xdb 文件）、SCWS_XDICT_MEM （这表示将 xdb 文件全部加载到内存中，以 XTree 结构存放）。具体用哪种方式需要根据自己的实际应用来决定。当使用本库做为 daemon server 时应当使用 mem 方式，当只是 embed 调用时应该使用 xdb 方式，将 xdb 文件加载进内存不仅占用了比较多的内存，而且也需要一定的时间（35万条数据约需要0.3~0.5秒左右）。
若此前 scws 句柄已经加载过词典，则此调用会先释放已经加载的词典。
返回值：无

错误：如果加载失败，scws_t 结构中的 d 元素为 NULL，即通过 s->d == NULL 与否来判断加载失败或成功。

·void scws_set_rule(scws_t s, const char *fpath);
描述：设定规则集文件。参数 fpath 是规则集文件的路径。若此前 scws 句柄已经加载过规则集，则此调用会先释放已经加载的规则集。规则集定义了一些新词自动识别规则，包括常见的人名、地区、数字年代等。规则编写方法另行参考其它部分。
返回值：无
错误：加载失败，scws_t 结构中的 r 元素为 NULL，即通过 s->r == NULL 与否来判断加载的失败与成功。

·void scws_set_ignore(scws_t s, int yes);
描述：设定分词执行过程中是否忽略所有的标点等特殊符号（不会忽略\r和\n）。参数 yes 为 1 表示忽略，为0表示不忽略，缺省情况为不忽略。
返回值：无
错误：无

·void scws_set_duality(scws_t s, int yes);
描述：设定是否将闲散文字自动以二字分词法聚合，参数 yes 的值如果为 1 表示执行二分聚合，0 表示不处理，缺省为 0。
返回值：无
错误：无

·void scws_set_debug(scws_t s, int yes);
描述：设定分词时对于疑难多路径综合分词时，是否打印出各条路径的情况。注意，打印使用的是 fprintf(stderr, … 故，这项功能不要随便使用，仅在命令行嵌入式调用时可以使用，参见例子中的 cmd.c 。当库函数编译选项中加入 -DLIBSCWS_QUIET 时此项不生效。（参见 php 扩展，PHP扩展里就是加入此项）
返回值：无
错误：无

·void scws_send_text(scws_t s, const char *text, int len);
描述：设定要切分的文本数据，text 指定该串文本的起始位置，而 len 表示这段文本的长度。该函数可安全用于二进制数据，不会因为字符串中包括 \0 而停止切分。这个函数应该在 scws_get_result 和 scws_get_tops 之前调用。
返回值：无
错误：无。
注：scws结构内部维护着该字符串的指针和相应的偏移及长度，故连续调用的话后者会覆盖前者的设定；不应在多次 scws_get_result 循环中调用 scws_send_text()。

·scws_res_t scws_get_result(scws_t s);
描述：取回一系列分词结果集，该分词结果必须调用 scws_free_result() 释放，传入链表头指针。
返回值：返回的是结果集链表的头部指针。该函数必须循环调用，当返回值为 NULL 时表示分词结束。
错误：无

·void scws_free_result(scws_res_t result);
描述：根据结果集的链表头释放结果集
返回值：无
错误：无

·scws_top_t scws_get_tops(scws_t s, int limit, char *xattr);
描述：返回指定的关键词表统计集，系统会自动根据词语出现的次数及其 idf 值计算排名。参数 limit 指定取回数据的最大条数，若传入值为0或负数，则自动重设为10。参数 xattr 用来描述要排除或参与的统计词汇词性，多个词性之间用逗号隔开。当以~开头时表示统计结果中不包含这些词性，否则表示必须包含，传入 NULL 表示统计全部词性。
返回值：返回词表集链表的头指针，该词表集必须调用 scws_free_tops 释放
错误：无

·void scws_free_tops(scws_top_t tops);
描述：根据词表集的链表头释放词表集
返回值：无
错误：无

3. 使用实例
一个简单的分词实例：
#include
#include
main()
{
scws_t s;
scws_res_t res, cur;
char *text = “Hello, 我名字叫李那曲是一个中国人, 我有时买Q币来玩, 我还听说过C#语言”;

if (!(s = scws_new())) {
printf(“error, can’t init the scws_t!\n”);
exit(-1);
}
scws_set_charset(s, “gbk”);
scws_set_dict(s, “/usr/local/scws/etc/dict_chs_gbk.xdb”, SCWS_XDICT_XDB);
scws_set_rule(s, “/usr/local/scws/etc/rules.ini”);

scws_send_text(s, text, strlen(text));
while (res = cur = scws_get_result(s))
{
while (cur != NULL)
{
printf(“Word: %.*s/%s (IDF = %4.2f)\n”, cur->len, text+cur->off, cur->attr, cur->idf);
cur = cur->next;
}
scws_free_result(res);
}

scws_free(s);
}

编译：gcc -o test -I/usr/local/scws/include -L/usr/local/scws/lib test.c -lscws

> ———————————————————– <

[配套工具]

1. /usr/local/scws/bin/scws 或 $prefix/bin/scws

这是分词的命令行演示版本
执行 scws -h 可以看到详细帮助：

Usage: scws [options] [input] [output]
-i input string or filepath
(default: try to read from everyline)
-o output filepath (default to )
-c set the charset (default: gbk)
charset must been same with dictionary & ruleset
-r set the ruleset file (default: none)
-d set the dictionary file (default: none)
-M <1~15> use multi child words mode(中国人->中国+人+中国人)
1|2|4|8: short|duality|zmain|zall
-I ignore the all mark symbol such as ,:
-A show the word attribute
-E import the xdb dict into xtree(memory)
-N don’t show time usage and warnings
-D debug segment, see the segment detail
-U use duality algorithm for single chinese
-t fetch the top words instead of segment
-a [~] prefix by ~ means exclude them.
For topwords, exclude or include some word attrs
-v Show the version.
-h Show this page for help.

-i <>: 要切分的字符串或者文件路径，如不指定则程序自动读取标准输入，每输入一次换行执行一次分词
-o <>: 切分结果输出保存的文件路径，若不指定直接输出到屏幕
-c <>: 指定分词的字符集，默认是 gbk
-r <>: 指定规则集文件（规则集用于数词、数字、专有名字、人名的识别）
-d <>: 指定词典文件路径（XDB格式，请在 -c 之后使用）
-M <>: 复合分词的级别：1~15
-I: 输出结果忽略跳过所有的标点符号
-A: 显示分词属性
-E: 将 xdb 词典读入内存 xtree 结构 (如果切分的文件很大才需要)
-N: 不显示切分时间和提示
-D: debug 模式 (不必用, 需要编译时打开 –enable-developer)
-U: 将闲散单字自动调用二分法结合
-t <>: 取得高频词，参数为个数
-a [~] 只显示某些词性的词，加~表示过滤该词性的词
-v: 查看版本
-h: 查看帮助

2. /usr/local/scws/bin/gen_scws_dict 或 $prefix/bin/gen_scws_dict

这将文本的词典转换成 xdb 文件
词典格式请参见源码 etc/ 中的 dict_chs_gbk.txt 和 dict_cht_gbk.txt
每行一个词，各行由4个字段组成，字段之间用 \t 分隔，含义分别为：

<词> <词频(TF)> <词重(IDF)> <词性(北大标注)>

—
Usage: gen_scws_dict [options] [input file] [output file]
-i Specified the plain text dictionary(default: dict.txt).
-o Specified the output file path(default: dict.xdb)
-c Specified the input charset(default: gbk)
-p Specified the PRIME num for xdb
-v Show the version.
-h Show this page.

-c 指定字符集
-i 文本文件(txt)
-o 输出 xdb 文件的路径
-p (指定XDB结果的质数，一般不需要）

> ———————————————————– <
[PHP 扩展安装说明]

本软件包，在源码目录树中包含了 php 扩展的移植代码，可用于 php4
或 php5 ，这里介绍它的安装方式，假设您已经将 scws-1.0.0 安装到
/usr/local/scws 中或 $prefix 中。

安装此扩展要求您的 php 和系统环境安装了相应的 autoconf automake
工具及 phpize

1. 进入源码目录的 phpext/ 目录
2. 执行 phpize （在PHP安装目录的bin/目录下）
3. 执行 ./configure –with-scws=/usr/local/scws –with-php-config=/usr/local/php/bin/php-config
若 php 安装在特殊目录 $php_prefix, 则请在 configure 后加上
–with-php-config=$php_prefix/bin/php-config

4. 执行 make 然后用 root 身份执行 make install

5. 在 php.ini 中加入以下几行

[scws]
extension = scws.so
scws.default.charset = gbk
scws.default.fpath = $prefix/etc

6. 命令行下执行 php -m 就能看到 scws 了或者在 phpinfo() 中看看关于 scws 的部分

7. 这样就算安装完成了，余下的工作只是PHP代码编写问题了。关于 PHP 扩展的使用说明
请参看代码中 phpext/php_scws_manual.txt 文件

> ———————————————————– <

6. 代码结构

scws-1.0.0/
COPYING — 版权说明
README — 相关全部文档，包括安装及使用，必读
cli/ — 配套工具 scws-cli 及词典制作工具
scws_cmd.c
gen_dict.c

libscws/ — 核心C代码
*.h *.c

phpext/ — php扩展的代码
etc/ — 文本词典及规则集文件
rules.ini
rules.utf8.ini — utf8编码版的rules

dict_chs_gbk.txt — gbk 编码的简体为主的文本词表
dict_cht_gbk.txt — gbk 编码的繁体为主的文本词表

> ———————————————————– <

7. rules.ini 规则集编写说明

（暂缺）

> ———————————————————– <