PHP中文分詞擴充 SCWS

這篇文章主要介紹了開源php中文分詞系統SCWS安裝和使用執行個體,需要的朋友可以參考下

一、SCWS簡介

SCWS 是 Simple Chinese Word Segmentation 的首字母縮寫（即：簡易中文分詞系統）。
這是一套基於詞頻詞典的機械式中文分詞引擎，它能將一整段的中文文本基本正確地切分成詞。 詞是中文的最小語素單位，但在書寫時並不像英語會在詞之間用空格分開， 所以如何準確並快速分詞一直是中文分詞的攻關痛點。
SCWS 採用純 C 語言開發，不依賴任何外部庫函數，可直接使用動態連結程式庫嵌入應用程式， 支援的中文編碼包括 GBK、UTF-8 等。此外還提供了 PHP 擴充模組， 可在 PHP 中快速而方便地使用分詞功能。
分詞演算法上並無太多創新成分，採用的是自己採集的詞頻詞典，並輔以一定的專有名稱，人名，地名， 數字年代等規則識別來達到基本分詞，經小範圍測試準確率在 90% ~ 95% 之間， 基本上能滿足一些小型搜尋引擎、關鍵字提取等場合運用。首次雛形版本發佈於 2005 年底。
SCWS 由 hightman 開發， 並以 BSD 許可協議開源發布，源碼託管在 github。

二、scws安裝

代碼如下:

# wget -c http://www.php.cn/# tar jxvf scws-1.2.1.tar.bz2# cd scws-1.2.1# ./configure --prefix=/usr/local/scws# make && make install

三、scws的PHP擴充安裝

代碼如下:

# cd ./phpext# phpize # ./configure --with-php-config=/usr/local/php5410/bin/php-config# make && make install# echo "[scws]" >> /usr/local/php5410/etc/php.ini # echo "extension = scws.so" >> /usr/local/php5410/etc/php.ini# echo "scws.default.charset = utf-8" >> /usr/local/php5410/etc/php.ini# echo "scws.default.fpath = /usr/local/scws/etc/" >> /usr/local/php5410/etc/php.ini

四、詞庫安裝

代碼如下:

# wget http://www.php.cn/# tar jxvf scws-dict-chs-utf8.tar.bz2 -C /usr/local/scws/etc/# chown www:www /usr/local/scws/etc/dict.utf8.xdb

五、php執行個體代碼。可以詳細看下SCWS官方API說明

代碼如下:

//執行個體化分詞外掛程式核心類 $so = scws_new(); //設定分詞時所用編碼 $so->set_charset('utf-8'); //設定分詞所用詞典(此處使用utf8的詞典) $so->set_dict('/usr/local/scws/etc/dict.utf8.xdb'); //設定分詞所用規則 $so->set_rule('/usr/local/scws/etc/rules.utf8.ini '); //分詞前去掉標點符號 $so->set_ignore(true); //是否複式分割，如“中國人”返回“中國＋人＋中國人”三個詞。 $so->set_multi(true); //設定將文字自動以二字分詞法彙總 $so->set_duality(true); //要進行分詞的語句 $so->send_text(“歡迎來到火星時代IT開發”); //擷取分詞結果，如果提取高頻詞用get_tops方法 while ($tmp = $so->get_result()) {     print_r($tmp); } $so->close();

返回數組結果說明：

代碼如下:

word   _string_ 詞本身  idf        _float_ 逆文本詞頻  off         _int_ 該詞在原文本路的位置  attr       _string_ 詞性

六、線上API

也可以使用線上API實現中文分詞,API地址：http://www.xunsearch.com/scws/api.php，詳細說明也在地址中。

