78 lines
2.7 KiB
Markdown
78 lines
2.7 KiB
Markdown
|
# VicWord 一个纯php的分词
|
|||
|
|
|
|||
|
|
<a href="https://github.com/996icu/996.ICU/blob/master/LICENSE"><img src="https://img.shields.io/badge/support-996.icu-red.svg"></a>
|
|||
|
|
|
|||
|
|
QQ交流群: 731475644
|
|||
|
|
|
|||
|
|
## 安装
|
|||
|
|
|
|||
|
|
```shell
|
|||
|
|
composer require lizhichao/word
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
## 分词说明
|
|||
|
|
- 含有3种切分方法
|
|||
|
|
- `getWord` 长度优先切分 。最快
|
|||
|
|
- `getShortWord` 细粒度切分。比最快慢一点点
|
|||
|
|
- `getAutoWord` 自动切分 。效果最好
|
|||
|
|
- 可自定义词典，自己添加词语到词库，词库支持文本格式`json`和二级制格式`igb`
|
|||
|
|
二进制格式词典小，加载快
|
|||
|
|
- `dict.igb`含有175662个词，欢迎大家补充词语到 `dict.txt` ，格式(词语 \t idf \t 词性)
|
|||
|
|
- idf 获取方法 百度搜索这个词语 `Math.log(100000001/结果数量)`，如果你有更好的方法欢迎补充。
|
|||
|
|
- 词性 [标点符号,名词,动词,形容词,区别词,代词,数词,量词,副词,介词,连词,助词,语气词,拟声词,叹词] 取index ；标点符号取0
|
|||
|
|
- 三种分词结果对比
|
|||
|
|
```php
|
|||
|
|
$fc = new VicWord();
|
|||
|
|
$arr = $fc->getWord('北京大学生喝进口红酒，在北京大学生活区喝进口红酒');
|
|||
|
|
//北京大学|生喝|进口|红酒|，|在|北京大学|生活区|喝|进口|红酒
|
|||
|
|
//$arr 是一个数组 每个单元的结构[词语,词语位置,词性,这个词语是否包含在词典中] 这里只值列出了词语
|
|||
|
|
|
|||
|
|
$arr = $fc->getShortWord('北京大学生喝进口红酒，在北京大学生活区喝进口红酒');
|
|||
|
|
//北京|大学|生喝|进口|红酒|，|在|北京|大学|生活|区喝|进口|红酒
|
|||
|
|
|
|||
|
|
$arr = $fc->getAutoWord('北京大学生喝进口红酒，在北京大学生活区喝进口红酒');
|
|||
|
|
//北京|大学生|喝|进口|红酒|，|在|北京大学|生活区|喝|进口|红酒
|
|||
|
|
|
|||
|
|
//对比
|
|||
|
|
//qq的分词 http://nlp.qq.com/semantic.cgi#page2
|
|||
|
|
//百度的分词 http://ai.baidu.com/tech/nlp/lexical
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
## 分词速度
|
|||
|
|
机器阿里云 `Intel(R) Xeon(R) Platinum 8163 CPU @ 2.50GHz`
|
|||
|
|
`getWord` 每秒140w字
|
|||
|
|
`getShortWord` 每秒138w字
|
|||
|
|
`getAutoWord` 每秒40w字
|
|||
|
|
测试文本在百度百科拷贝的一段5000字的文本
|
|||
|
|
|
|||
|
|
## 制作词库
|
|||
|
|
- 词库支持utf-8的任意字符
|
|||
|
|
- 词典大小不影响 分词速度
|
|||
|
|
|
|||
|
|
只有一个方法 VicDict->add(词语,词性 = null)
|
|||
|
|
```php
|
|||
|
|
require __DIR__.'/Lib/VicDict.php';
|
|||
|
|
|
|||
|
|
//目前可支持 igb 和 json 两种词典库格式；igb需要安装igbinary扩展，igb文件小，加载快
|
|||
|
|
$path = ''; //词典地址
|
|||
|
|
$dict = new VicDict($path);
|
|||
|
|
|
|||
|
|
//添加词语词库 add(词语,词性) 不分语言，可以是utf-8编码的任何字符
|
|||
|
|
$dict->add('中国','n');
|
|||
|
|
|
|||
|
|
//保存词库
|
|||
|
|
$dict->save();
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
## demo
|
|||
|
|
[demo](http://blogs.vicsdf.com/my/fc)
|
|||
|
|
|
|||
|
|
## 该作者的其他软件
|
|||
|
|
[一个极简高性能php框架，支持[swoole | php-fpm ]环境](https://github.com/lizhichao/one)
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
|