1 Star 2 Fork 1

高雷 / pscws中文分词

加入 Gitee
与超过 800 万 开发者一起发现、参与优秀开源项目,私有仓库也完全免费 :)
免费加入
克隆/下载
取消
提示: 由于 Git 不支持空文件夾,创建文件夹后会生成空的 .keep 文件
Loading...
README.md

Pscws

本类库基于是 PSCWS4 简单开发而来,主要是将其封装为正常额 composer 包,方便调用,其次稍微修改了xdb 文件操作的 调用流程

关于 PSCWS4

PSCWS4 是由 hightman 于 2007 年开发的纯 PHP 代码实现的简易中文分词系统第四版的简称。

PSCWS 是英文 PHP Simple Chinese Words Segmentation 的头字母缩写,它是 SCWS 项目的前身。 现 SCWS 已作为 FTPHP 项目的一个子项目继续发展,现于 2008-12 重新修订并整理发布。

SCWS 是一套开源并且免费的中文分词系统,提供优秀易用的 PHP 接口。 项目主页:http://www.ftphp.com/scws

PSCWS4 在算法、功能以及词典/规则文件格式上,完全兼容于 C 编写 libscws,类库的方法完全兼容 于 scws 的 php 扩展中的预定义类的方法。

第四版的算法采用N-核心词路径最优方案,采用强大的规则引擎识别人名地名数字等专有名词,C实现 的版本速度和效率均非常高,推荐使用。PSCWS4 是 SCWS(C) 的 PHP 实现,速度较慢。

类方法完全手册

(注: 构造函数可传入字符集作为参数, 这与另外调用 set_charset 效果是一样的)

class Pscws {

    void set_preg_mode(int $model)
    说明:设置匹配模式 获取结果时将按照设定的 模式进行取值
    返回:无。
    参数:model 运行模式 缺省值:Pscws::PREG_MODE_ALL
        - Pscws::PREG_MODE_ALL(所有) 
        - Pscws::PREG_MODE_ALL(仅字典)

    void set_charset(string charset);
    说明:设定分词词典、规则集、欲分文本字符串的字符集,系统缺省是 gbk 字集。
    返回:无。
    参数:charset 是设定的字符集,目前只支持 utf8 和 gbk。(注:big5 也可作 gbk 处理)
    注意:输入要切分的文本,词典,规则文件这三者的字符集必须统一为该 charset 值。
    
    bool set_dict(string dict_fpath);
    说明:设置分词引擎所采用的词典文件。
    参数:dict_path 是词典的路径,可以是相对路径或完全路径。
    返回:成功返回 true 失败返回 false。
    错误:若有错误会给出 WARNING 级的错误提示。
    
    void set_rule(string rule_path);
    说明:设定分词所用的新词识别规则集(用于人名、地名、数字时间年代等识别)。
    返回:无。
    参数:rule_path 是规则集的路径,可以是相对路径或完全路径。
    
    void set_ignore(bool yes)
    说明:设定分词返回结果时是否去除一些特殊的标点符号之类。
    返回:无。
    参数:yes 设定值,如果为 true 则结果中不返回标点符号,如果为 false 则会返回,缺省为 false。
    
    void set_multi(int mode);
    说明:设定分词返回结果时是否复合分割,如“中国人”返回“中国+人+中国人”三个词。
    返回:无。
    参数:mode 设定值,1 ~ 15。
    按位异或的 1 | 2 | 4 | 8 分别表示: 短词 | 二元 | 主要单字 | 所有单字
    
    void set_duality(bool yes);
    说明:设定是否将闲散文字自动以二字分词法聚合。
    返回:无。
    参数:yes 设定值,如果为 true 则结果中多个单字会自动按二分法聚分,如果为 false 则不处理,缺省为 false。
    
    void set_debug(bool yes);
    说明:设置分词过程是否输出N-Path分词过程的调试信息。
    参数:yes 设定值,如果为 true 则分词过程中对于多路径分法分给出提示信息。
    返回:无。
    
    void send_text(string text)
    说明:发送设定分词所要切割的文本。
    返回:无。
    参数:text 是文本的内容。
    注意:执行本函数时,请先加载词典和规则集文件并设好相关选项。
    
    mixed get_result(void)
    说明:根据 send_text 设定的文本内容,返回一系列切好的词汇。
    返回:成功返回切好的词汇组成的数组, 若无更多词汇,返回 false。
    参数:无。
    注意:每次切割后本函数应该循环调用,直到返回 false 为止,因为程序每次返回的词数是不确定的。
    返回的词汇包含的键值有:word (string, 词本身) idf (folat, 逆文本词频) off (int, 在文本中的位置) attr(string, 词性)
    
    mixed get_tops( [int limit [, string attr]] )
    说明:根据 send_text 设定的文本内容,返回系统计算出来的最关键词汇列表。
    返回:成功返回切好的词汇组成的数组, 若无更多词汇,返回 false。
    参数:limit 可选参数,返回的词的最大数量,缺省是 10;
    attr 可选参数,是一系列词性组成的字符串,各词性之间以半角的逗号隔开,
    这表示返回的词性必须在列表中,如果以~开头,则表示取反,词性必须不在列表中,
    缺省为空,返回全部词性,不过滤。
    
    string version(void);
    说明:返回本版号。
    返回:版本号(字符串)。
    参数:无。
    
    void close(void);
    说明:关闭释放资源,使用结束后可以手工调用该函数或等系统自动回收。
    返回:无。
    参数:无。
}

词典导入与导出

use Gaolei\Pscws\tools\XdbTool;

$xdbTool = XdbTool::init();

// txt 文件编译 xdb
$xdbTool->make('./dict/dict.txt','./dict/dict.xdb');

// xdb 反编译到 txt
$xdbTool->dump('./dict/dict.xdb','./dict/dict.txt');

关于txt 文件格式说明

关于文本文件的说明,每行一条记录,#开头表示注释,每条记录由 word(词)、TF(词频系数)、IDF(逆词频率系数)、Attr(北大标注法的词性)组成,这四个字段之间用 \t隔开。

北大词性标注版本

Ag
形语素
形容词性语素。形容词代码为a,语素代码g前面置以A。

a
形容词
取英语形容词adjective的第1个字母。

ad
副形词
直接作状语的形容词。形容词代码a和副词代码d并在一起。

an
名形词
具有名词功能的形容词。形容词代码a和名词代码n并在一起。

b
区别词
取汉字“别”的声母。

c
连词
取英语连词conjunction的第1个字母。

Dg
副语素
副词性语素。副词代码为d,语素代码g前面置以D。

d
副词
取adverb的第2个字母,因其第1个字母已用于形容词。

e
叹词
取英语叹词exclamation的第1个字母。

f
方位词
取汉字“方”

g
语素
绝大多数语素都能作为合成词的“词根”,取汉字“根”的声母。

h
前接成分
取英语head的第1个字母。

i
成语
取英语成语idiom的第1个字母。

j
简称略语
取汉字“简”的声母。

k
后接成分

l
习用语
习用语尚未成为成语,有点“临时性”,取“临”的声母。

m
数词
取英语numeral的第3个字母,n,u已有他用。

Ng
名语素
名词性语素。名词代码为n,语素代码g前面置以N。

n
名词
取英语名词noun的第1个字母。

nr
人名
名词代码n和“人(ren)”的声母并在一起。

ns
地名
名词代码n和处所词代码s并在一起。

nt
机构团体
“团”的声母为t,名词代码n和t并在一起。

nz
其他专名
“专”的声母的第1个字母为z,名词代码n和z并在一起。

o
拟声词
取英语拟声词onomatopoeia的第1个字母。

ba 介词 把、将
bei 介词 被
p
介词
取英语介词prepositional的第1个字母。

q
量词
取英语quantity的第1个字母。

r
代词
取英语代词pronoun的第2个字母,因p已用于介词。

s
处所词
取英语space的第1个字母。

Tg
时语素
时间词性语素。时间词代码为t,在语素的代码g前面置以T。

t
时间词
取英语time的第1个字母。

dec 助词 的、之
deg 助词 得
di 助词 地
etc 助词 等、等等
as 助词 了、着、过
msp 助词 所
u
其他助词
取英语助词auxiliary

Vg
动语素
动词性语素。动词代码为v。在语素的代码g前面置以V。

v
动词
取英语动词verb的第一个字母。

vd
副动词
直接作状语的动词。动词和副词的代码并在一起。

vn
名动词
指具有名词功能的动词。动词和名词的代码并在一起。

w
其他标点符号

x
非语素字
非语素字只是一个符号,字母x通常用于代表未知数、符号。

y
语气词
取汉字“语”的声母。

z
状态词
取汉字“状”的声母的前一个字母。

简介

pscws 中文分词扩展 展开 收起
PHP
MIT
取消

发行版 (3)

全部

贡献者

全部

近期动态

加载更多
不能加载更多了
PHP
1
https://gitee.com/s-gaolei/pscws.git
git@gitee.com:s-gaolei/pscws.git
s-gaolei
pscws
pscws中文分词
v4

搜索帮助