|
|
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 http://www.xunsearch.com/scws/down/scws-1.2.1.tar.bz2
# 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 http://www.xunsearch.com/scws/down/scws-dict-chs-utf8.tar.bz2
# 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。可以詳細看下SCWS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();
返回數組結果說明：
復制代碼 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、在線API
也可以使用在線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。
php技術：開源php中文分詞系統SCWS安裝和使用實例，轉載需保留來源！
鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯系我們修改或刪除，多謝。
