这篇文章主要介绍了开源php中文分词系统SCWS安装和使用实例,需要的朋友可以参考下。

一、SCWS简介

SCWS 是 Simple Chinese Word Segmentation 的首字母缩写（即：简易中文分词系统）。

这是一套基于词频词典的机械式中文分词引擎，它能将一整段的中文文本基本正确地切分成词。 词是中文的最小语素单位，但在书写时并不像英语会在词之间用空格分开， 所以如何准确并快速分词一直是中文分词的攻关难点。

SCWS 采用纯 C 语言开发，不依赖任何外部库函数，可直接使用动态链接库嵌入应用程序， 支持的中文编码包括 GBK、UTF-8 等。此外还提供了 PHP 扩展模块， 可在 PHP 中快速而方便地使用分词功能。

分词算法上并无太多创新成分，采用的是自己采集的词频词典，并辅以一定的专有名称，人名，地名， 数字年代等规则识别来达到基本分词，经小范围测试准确率在 90% ~ 95% 之间， 基本上能满足一些小型搜索引擎、关键字提取等场合运用。首次雏形版本发布于 2005 年底。

SCWS 由 hightman 开发， 并以 BSD 许可协议开源发布，源码托管在 github。

二、scws安装，代码如下:

1. # wget -c http://www.xunsearch.com/scws/down/scws-1.2.1.tar.bz2 
2. # tar jxvf scws-1.2.1.tar.bz2 
3. # cd scws-1.2.1 
4. # ./configure --prefix=/usr/local/scws 
5. # make && make install 

三、scws的PHP扩展安装，代码如下:

1. # cd ./phpext 
2. # phpize  
3. # ./configure --with-php-config=/usr/local/php5410/bin/php-config 
4. # make && make install 
5. # echo "[scws]" >> /usr/local/php5410/etc/php.ini  
6. # echo "extension = scws.so" >> /usr/local/php5410/etc/php.ini 
7. # echo "scws.default.charset = utf-8" >> /usr/local/php5410/etc/php.ini 
8. # echo "scws.default.fpath = /usr/local/scws/etc/" >> /usr/local/php5410/etc/php.ini 

四、词库安装，代码如下:

1. # wget http://www.xunsearch.com/scws/down/scws-dict-chs-utf8.tar.bz2 
2. # tar jxvf scws-dict-chs-utf8.tar.bz2 -C /usr/local/scws/etc/ 
3. # chown www:www /usr/local/scws/etc/dict.utf8.xdb 

五、php实例代码，可以详细看下SCWS官方API说明，代码如下:

1. //实例化分词插件核心类 
2.  $so = scws_new(); 
3.  //设置分词时所用编码 
4.  $so->set_charset('utf-8'); 
5.  //设置分词所用词典(此处使用utf8的词典) 
6.  $so->set_dict('/usr/local/scws/etc/dict.utf8.xdb'); 
7.  //设置分词所用规则 
8.  $so->set_rule('/usr/local/scws/etc/rules.utf8.ini '); 
9.  //分词前去掉标点符号 
10.  $so->set_ignore(true); 
11.  //是否复式分割，如“中国人”返回“中国＋人＋中国人”三个词。 
12.  $so->set_multi(true); 
13.  //设定将文字自动以二字分词法聚合 
14.  $so->set_duality(true); 
15.  //要进行分词的语句 
16.  $so->send_text(“欢迎来到火星时代IT开发”); 
17.  //获取分词结果，如果提取高频词用get_tops方法 
18.  while ($tmp = $so->get_result()) 
19.  { 
20.      print_r($tmp); 
21.  } 
22.  $so->close(); 

返回数组结果说明：

word   _string_ 词本身 

idf        _float_ 逆文本词频 

off         _int_ 该词在原文本路的位置 

attr       _string_ 词性

六、在线API

也可以使用在线API实现中文分词,API地址：http://www.xunsearch.com/scws/api.php，详细说明也在地址中。

Tags: php中文分词 SCWS

分享到：