SCWS的scws_get_words函数是否存在bug
程序员文章站
2022-06-07 22:45:37
...
SCWS是国人做的一个很优秀的分词库，它的php扩展可以方便地处理中文分词。现在发现其中一个函数
scws_get_words函数的问题，这个函数是用来获取分词结果的，其第二个参数可以指定你需要返回的结果，这是它的c api文档描述(php大同小异)·scws_top_t scws_get_words(scws_t s, char *xattr);
描述：返回指定词性的关键词表，系统会根据词语出现的先后插入列表。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
也就是说我只需要在第二个参数里加上以逗号分割的参数即可，比如我加上'~Ag,~a,~ad,~b,~c,~Dg,~d,~e'字符，表示我要在结果中过滤掉这些。
但实际的结果是，无论你加了多少过滤条件都不起作用，但相反，如果你只加一个过滤条件比如'~a'，也就是没有逗号的时候，它可以把相应的结果过滤掉。所以我考虑这之中是否存在bug。下面附上此函数的c实现代码，大家帮我看看
// get words by attr (rand order)
scws_top_t scws_get_words(scws_t s, char *xattr)
{
int off, cnt, xmode = SCWS_NA;
xtree_t xt;
scws_res_t res, cur;
scws_top_t top, tail, base;
char *word;
word_attr *at = NULL;
if (!s || !s->txt || !(xt = xtree_new(0,1)))
return NULL;
__PARSE_XATTR__;
// save the offset.
off = s->off;
s->off = 0;
base = tail = NULL;
while ((cur = res = scws_get_result(s)) != NULL)
{
do
{
/* check attribute filter */
if (at != NULL)
{
if ((xmode == SCWS_NA) && !_attr_belong(cur->attr, at))
continue;
if ((xmode == SCWS_YEA) && _attr_belong(cur->attr, at))
continue;
}
/* put to the stats */
if (!(top = xtree_nget(xt, s->txt + cur->off, cur->len, NULL)))
{
top = (scws_top_t) malloc(sizeof(struct scws_topword));
top->weight = cur->idf;
top->times = 1;
top->next = NULL;
top->word = (char *)_mem_ndup(s->txt + cur->off, cur->len);
strncpy(top->attr, cur->attr, 2);
// add to the chain
if (tail == NULL)
base = tail = top;
else
{
tail->next = top;
tail = top;
}
xtree_nput(xt, top, sizeof(struct scws_topword), s->txt + cur->off, cur->len);
}
else
{
top->weight += cur->idf;
top->times++;
}
}
while ((cur = cur->next) != NULL);
scws_free_result(res);
}
// free at & xtree
if (at != NULL)
free(at);
xtree_free(xt);
// restore the offset
s->off = off;
return base;
}
我发现它的__PARSE_XATTR__宏有些问题啊，这里另外附上word_attr的结构定义
/* macro to parse xattr -> xmode, at */
#define __PARSE_XATTR__ do { \
if (xattr == NULL) break; \
if (*xattr == '~') { xattr++; xmode = SCWS_YEA; } \
if (*xattr == '\0') break; \
cnt = ((strlen(xattr)/2) + 2) * sizeof(word_attr); \
at = (word_attr *) malloc(cnt); \
memset(at, 0, cnt); \
cnt = 0; \
for (cnt = 0; (word = strchr(xattr, ',')); cnt++) { \
strncpy(at[cnt], xattr, 2); \
xattr = word + 1; \
} \
strncpy(at[cnt], xattr, 2); \
} while (0)
typedef char word_attr[4];
这样处理xattr的话，只能处理词性是2个字符的情况，因为它strncpy(at[cnt], xattr, 2);。这也太马虎了吧，词性表里有一堆一个字符的词性啊，它copy的话就会把逗号也copy进去啊。
自己全部用2个字符的词性过滤试了一下，果然可以了。。。大家考虑下这里应该怎么改下吧
回复内容：
SCWS是国人做的一个很优秀的分词库，它的php扩展可以方便地处理中文分词。现在发现其中一个函数scws_get_words函数的问题，这个函数是用来获取分词结果的，其第二个参数可以指定你需要返回的结果，这是它的c api文档描述(php大同小异)
·scws_top_t scws_get_words(scws_t s, char *xattr);
描述：返回指定词性的关键词表，系统会根据词语出现的先后插入列表。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
也就是说我只需要在第二个参数里加上以逗号分割的参数即可，比如我加上'~Ag,~a,~ad,~b,~c,~Dg,~d,~e'字符，表示我要在结果中过滤掉这些。
但实际的结果是，无论你加了多少过滤条件都不起作用，但相反，如果你只加一个过滤条件比如'~a'，也就是没有逗号的时候，它可以把相应的结果过滤掉。所以我考虑这之中是否存在bug。下面附上此函数的c实现代码，大家帮我看看
// get words by attr (rand order)
scws_top_t scws_get_words(scws_t s, char *xattr)
{
int off, cnt, xmode = SCWS_NA;
xtree_t xt;
scws_res_t res, cur;
scws_top_t top, tail, base;
char *word;
word_attr *at = NULL;
if (!s || !s->txt || !(xt = xtree_new(0,1)))
return NULL;
__PARSE_XATTR__;
// save the offset.
off = s->off;
s->off = 0;
base = tail = NULL;
while ((cur = res = scws_get_result(s)) != NULL)
{
do
{
/* check attribute filter */
if (at != NULL)
{
if ((xmode == SCWS_NA) && !_attr_belong(cur->attr, at))
continue;
if ((xmode == SCWS_YEA) && _attr_belong(cur->attr, at))
continue;
}
/* put to the stats */
if (!(top = xtree_nget(xt, s->txt + cur->off, cur->len, NULL)))
{
top = (scws_top_t) malloc(sizeof(struct scws_topword));
top->weight = cur->idf;
top->times = 1;
top->next = NULL;
top->word = (char *)_mem_ndup(s->txt + cur->off, cur->len);
strncpy(top->attr, cur->attr, 2);
// add to the chain
if (tail == NULL)
base = tail = top;
else
{
tail->next = top;
tail = top;
}
xtree_nput(xt, top, sizeof(struct scws_topword), s->txt + cur->off, cur->len);
}
else
{
top->weight += cur->idf;
top->times++;
}
}
while ((cur = cur->next) != NULL);
scws_free_result(res);
}
// free at & xtree
if (at != NULL)
free(at);
xtree_free(xt);
// restore the offset
s->off = off;
return base;
}
我发现它的__PARSE_XATTR__宏有些问题啊，这里另外附上word_attr的结构定义
/* macro to parse xattr -> xmode, at */
#define __PARSE_XATTR__ do { \
if (xattr == NULL) break; \
if (*xattr == '~') { xattr++; xmode = SCWS_YEA; } \
if (*xattr == '\0') break; \
cnt = ((strlen(xattr)/2) + 2) * sizeof(word_attr); \
at = (word_attr *) malloc(cnt); \
memset(at, 0, cnt); \
cnt = 0; \
for (cnt = 0; (word = strchr(xattr, ',')); cnt++) { \
strncpy(at[cnt], xattr, 2); \
xattr = word + 1; \
} \
strncpy(at[cnt], xattr, 2); \
} while (0)
typedef char word_attr[4];
这样处理xattr的话，只能处理词性是2个字符的情况，因为它strncpy(at[cnt], xattr, 2);。这也太马虎了吧，词性表里有一堆一个字符的词性啊，它copy的话就会把逗号也copy进去啊。
自己全部用2个字符的词性过滤试了一下，果然可以了。。。大家考虑下这里应该怎么改下吧
跟作者交流了下，hightman给出了patch，修改宏定义处
diff -c -r1.28 -r1.29
*** libscws/scws.c 5 Aug 2011 04:39:33 -0000 1.28
--- libscws/scws.c 26 Oct 2011 08:41:44 -0000 1.29
***************
*** 1278,1284 ****
memset(at, 0, cnt); \
cnt = 0; \
for (cnt = 0; (word = strchr(xattr, ',')); cnt++) { \
! strncpy(at[cnt], xattr, 2); \
xattr = word + 1; \
} \
strncpy(at[cnt], xattr, 2); \
--- 1278,1285 ----
memset(at, 0, cnt); \
cnt = 0; \
for (cnt = 0; (word = strchr(xattr, ',')); cnt++) { \
! at[cnt][0] = *xattr++; \
! at[cnt][1] = xattr == word ? '\0' : *xattr; \
xattr = word + 1; \
} \
strncpy(at[cnt], xattr, 2); \ 推荐阅读
-
sql 判断函数、存储过程是否存在的代码整理
-
php file_exists 检查文件或目录是否存在的函数
-
PHP使用get_headers函数判断远程文件是否存在的方法
-
PHP strstr 函数判断字符串是否否存在的实例代码
-
leecode-1 给定一个整数，写一个函数来判断它是否是 3 的幂次方。如果是，返回 true ；否则，返回 false 。整数 n 是 3 的幂次方需满足：存在整数 x 使得 n =3x
-
php检查函数必传参数是否存在的实例详解
-
CheckFile函数之asp实现检查某一文件是否存在的代码
-
asp实现检查目录是否存在与建立目录的函数
-
SCWS的scws_get_words函数是否存在bug
-
垃圾收集 - php 的垃圾回收是否存在 bug，为什么composer关掉GC速度快很多？