cppjieba"结巴"中文分词的C++版本
简介
CppJieba是"结巴"中文分词的C++版本
代码细节详解请见 代码详解
特性
源代码都写进头文件src/*.hpp里,include即可使用。
支持utf-8, gbk编码,但是推荐使用utf-8编码, 因为gbk编码缺少严格测试,慎用。
内置分词服务server/server.cpp,在linux环境下可安装使用。
项目自带较为完善的单元测试,核心功能中文分词(utf8)的稳定性接受过线上环境检验。
支持载自定义用户词典。
支持 linux , mac osx 操作系统。
支持 Docker。
用法
依赖软件
g++ (version >= 4.1 recommended) or clang++;
cmake (version >= 2.6 recommended);
下载和编译
git clone --depth=10 --branch=master git://github.com/aszxqw/cppjieba.git cd cppjieba mkdir build cd build cmake .. make
有兴趣的可以跑跑测试(可选):
./test/test.run ./load_test
演示
./segment.demo
详细请看 test/segment_demo.cpp.
服务使用
启动服务
./bin/cjserver ../test/testdata/server.conf
客户端请求示例
curl "http://127.0.0.1:11200/?key=南京市长江大桥"
["南京市", "长江大桥"]
curl "http://127.0.0.1:11200/?key=南京市长江大桥&format=simple"
南京市 长江大桥
用 chrome 浏览器打开也行 ( chrome 设置默认编码是utf-8):
同时,也支持HTTP POST模式,使用如下调用:
curl -d "南京市长江大桥" "http://127.0.0.1:11200/"
返回结果如下:
["南京市", "长江大桥"]
如果有需要安装使用的,可以按照如下操作:
安装服务
sudo make install
服务启动和停止(仅限 linux 系统)
/etc/init.d/cjserver.start >> /dev/null 2>&1 /etc/init.d/cjserver.stop
卸载服务(仅限 linux 系统)
cd build/ cat install_manifest.txt | sudo xargs rm -rf
Docker 示例
安装和启动
sudo docker pull yanyiwu/cppjieba sudo docker run -d -P yanyiwu/cppjieba
sudo docker ps
CONTAINER IDIMAGE COMMANDCREATED STATUS PORTS NAMES 7c29325e9c20yanyiwu/cppjieba:latest "./bin/cjserver ../t 4 minutes ago Up 4 minutes0.0.0.0:49160->11200/tcp angry_wilson
可以看到正在运行的 Docker 容器(容器内运行着 cjserver 服务),并且服务的端口号被映射为 0.0.0.0:49160 。
所以现在可以来一发测试了:
curl "http://0.0.0.0:49160/?key=南京市长江大桥"
预期结果如下:
["南京市", "长江大桥"]
分词结果示例
MPSegment
Output:
我来到北京清华大学 我/来到/北京/清华大学 他来到了网易杭研大厦 他/来到/了/网易/杭/研/大厦 小明硕士毕业于中国科学院计算所,后在日本京都大学深造 小/明/硕士/毕业/于/中国科学院/计算所/,/后/在/日本京都大学/深造
HMMSegment
我来到北京清华大学 我来/到/北京/清华大学 他来到了网易杭研大厦 他来/到/了/网易/杭/研大厦 小明硕士毕业于中国科学院计算所,后在日本京都大学深造 小明/硕士/毕业于/中国/科学院/计算所/,/后/在/日/本/京/都/大/学/深/造
MixSegment
我来到北京清华大学 我/来到/北京/清华大学 他来到了网易杭研大厦 他/来到/了/网易/杭研/大厦 小明硕士毕业于中国科学院计算所,后在日本京都大学深造 小明/硕士/毕业/于/中国科学院/计算所/,/后/在/日本京都大学/深造
FullSegment
我来到北京清华大学 我/来到/北京/清华/清华大学/华大/大学 他来到了网易杭研大厦 他/来到/了/网易/杭/研/大厦 小明硕士毕业于中国科学院计算所,后在日本京都大学深造 小/明/硕士/毕业/于/中国/中国科学院/科学/科学院/学院/计算/计算所/,/后/在/日本/日本京都大学/京都/京都大学/大学/深造
QuerySegment
我来到北京清华大学 我/来到/北京/清华/清华大学/华大/大学 他来到了网易杭研大厦 他/来到/了/网易/杭研/大厦 小明硕士毕业于中国科学院计算所,后在日本京都大学深造 小明/硕士/毕业/于/中国/中国科学院/科学/科学院/学院/计算所/,/后/在/中国/中国科学院/科学/科学院/学院/日本/日本京都大学/京都/京都大学/大学/深造
以上依次是MP,HMM,Mix三种方法的效果。
可以看出效果最好的是Mix,也就是融合MP和HMM的切词算法。即可以准确切出词典已有的词,又可以切出像"杭研"这样的未登录词。
Full方法切出所有字典里的词语。
Query方法先使用Mix方法切词,对于切出来的较长的词再使用Full方法。
自定义用户词典
自定义词典示例请看test/testdata/userdict.utf8。
载入自定义词典示例请看test/segment.cpp,产生的可执行文件示例请见 build/segment.demo
没有使用自定义用户词典时的结果:
令狐冲/是/云/计算/行业/的/专家
使用自定义用户词典时的结果:
令狐冲/是/云计算/行业/的/专家
关键词抽取
make && ./keyword.demo
你将看到如下结果:
我是拖拉机学院手扶拖拉机专业的。不用多久,我就会升职加薪,当上CEO,走上人生巅峰。 ["CEO:11.7392", "升职:10.8562", "加薪:10.6426", "手扶拖拉机:10.0089", "巅峰:9.49396"]
详细请见 test/keyword_demo.cpp.
词性标注
./tagging.demo
详情请看 test/tagging_demo.cpp.
["我:r", "是:v", "蓝翔:x", "技工:n", "拖拉机:n", "学院:n", "手扶拖拉机:n", "专业:n", "的:uj", "。:x", "不用:v", "多久:m", ",:x", "我:r", "就:d", "会:v", "升职:v", "加薪:nr", ",:x", "当:t", "上:f", "总经理:n", ",:x", "出任:v", "CEO:eng", ",:x", "迎娶:v", "白富美:x", ",:x", "走上:v", "人生:n", "巅峰:n", "。:x"]
支持自定义词性。 比如在(dict/user.dict.utf8)增加一行
蓝翔 nz
结果如下:
["我:r", "是:v", "蓝翔:nz", "技工:n", "拖拉机:n", "学院:n", "手扶拖拉机:n", "专业:n", "的:uj", "。:x", "不用:v", "多久:m", ",:x", "我:r", "就:d", "会:v", "升职:v", "加薪:nr", ",:x", "当:t", "上:f", "总经理:n", ",:x", "出任:v", "CEO:eng", ",:x", "迎娶:v", "白富美:x", ",:x", "走上:v", "人生:n", "巅峰:n", "。:x"]
其它词典资料分享
dict.367W.utf8.tar.gz iLife(562193561@qq.com)
应用
关于CppJieba的跨语言包装使用
收到邮件询问跨语言包装(ios应用开发)使用的问题,这方面我没有相关的经验,建议参考如下python使用cppjieba的项目:
jannson 开发的供 python模块调用的项目 cppjiebapy , 和相关讨论 cppjiebapy_discussion .
NodeJieba
如果有需要在node.js中使用分词,不妨试一下NodeJieba。
simhash
如果有需要在处理中文文档的的相似度计算,不妨试一下simhash。
exjieba
如果有需要在erlang中使用分词的话,不妨试一下exjieba。
jiebaR
如果有需要在R中使用分词的话,不妨试一下jiebaR。
libcppjieba
libcppjieba 是最简单易懂的CppJieba头文件库使用示例。
keyword_server
KeywordServer 50行搭建一个中文关键词抽取服务。
ngx_http_cppjieba_module
如果有需要在Nginx中使用分词模块的话,不妨试一下ngx_http_cppjieba_module.
线上演示
http://cppjieba-webdemo.herokuapp.com/ (建议使用chrome打开)
客服
wuyanyi09@foxmail.com
鸣谢
"结巴"中文分词作者: @SunJunyi