開源php中文分詞系統SCWS安裝和使用實例

2024-05-04 23:22:50

字體：大中小

來源：轉載

供稿：網友

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）。
這是一套基于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，但在書寫時并不像英語會在詞之間用空格分開，所以如何準確并快速分詞一直是中文分詞的攻關難點。
SCWS 采用純 C 語言開發，不依賴任何外部庫函數，可直接使用動態鏈接庫嵌入應用程序，支持的中文編碼包括 GBK、UTF-8 等。此外還提供了 PHP 擴展模塊，可在 PHP 中快速而方便地使用分詞功能。
分詞算法上并無太多創新成分，采用的是自己采集的詞頻詞典，并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，經小范圍測試準確率在 90% ~ 95% 之間，基本上能滿足一些小型搜索引擎、關鍵字提取等場合運用。首次雛形版本發布于 2005 年底。
SCWS 由 hightman 開發，并以 BSD 許可協議開源發布，源碼托管在 github。

二、scws安裝

復制代碼代碼如下:

# wget -c
# 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擴展安裝

復制代碼代碼如下:

# 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

復制代碼代碼如下:

# wget
# 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實例代碼?？梢栽敿毧聪耂CWS官方API說明

復制代碼代碼如下:

//實例化分詞插件核心類
$so = scws_new();
//設置分詞時所用編碼
$so->set_charset('utf-8');
//設置分詞所用詞典(此處使用utf8的詞典)
$so->set_dict('/usr/local/scws/etc/dict.utf8.xdb');
//設置分詞所用規則
$so->set_rule('/usr/local/scws/etc/rules.utf8.ini ');
//分詞前去掉標點符號
$so->set_ignore(true);
//是否復式分割，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聚合
$so->set_duality(true);
//要進行分詞的語句
$so->send_text(“歡迎來到火星時代IT開發”);
//獲取分詞結果，如果提取高頻詞用get_tops方法
while ($tmp = $so->get_result())
{
print_r($tmp);
}
$so->close();