【文本分类】中文分词开源软件介绍

链接：http://www.oschina.net/project/tag/264/segment   开源中国社区

‍

1、IKAnalyzer

IKAnalyzer是一个开源的，基于java语言开发的轻量级的中文分词工具包。从2006年12月推出1.0版开始，IKAnalyzer已经推出 了3个大版本。最初，它是以开源项目Luence为应用主体的，结合词典分词和文法分析算法的中文分词组件。新版本的IKAnalyzer3.0则发展为 面向Java的公用分词组件，独立于Lucene项目，同时提供了对Lucene的默认优化实现。

IKAnalyzer3.0特性:

采用了特有的“正向迭代最细粒度切分算法“，具有60万字/秒的高速处理能力。

采用了多子处理器分析模式，支持：英文字母（IP地址、Email、URL）、数字（日期，常用中文数量词，罗马数字，科学计数法），中文词汇（姓名、地名处理）等分词处理。

优化的词典存储，更小的内存占用。支持用户词典扩展定义

针对Lucene全文检索优化的查询分析器IKQueryParser(作者吐血推荐)；采用歧义分析算法优化查询关键字的搜索排列组合，能极大的提高Lucene检索的命中率。

授权协议：LGPL

开发语言：Java      在线查看 IKAnalyzer 源码 »

操作系统：跨平台 

收录时间：2008年12月03日  （国产软件）

下载：http://www.oschina.net/p/ikanalyzer 或  http://code.google.com/p/ik-analyzer/

2、盘古分词

盘古分词是一个基于 .net framework 的中英文分词组件，提供lucene(.net 版本) 和HubbleDotNet的接口。

高效：Core Duo 1.8 GHz 下单线程 分词速度为 390K 字符每秒

准确：盘古分词采用字典和统计结合的分词算法，分词准确率较高。

功能：盘古分词提供中文人名识别，简繁混合分词，多元分词，英文词根化，强制一元分词，词频优先分词，停用词过滤，英文专名提取等一系列功能。

授权协议：Apache

开发语言：C#.NET

操作系统：Windows 

收录时间：2010年12月29日

下载：http://www.oschina.net/p/pangu  或：http://pangusegment.codeplex.com/

3、Paoding

庖丁中文分词库是一个使用Java开发的，可结合到Lucene应用中的，为互联网、企业内部网使用的中文搜索引擎分词组件。Paoding填补了国内中文分词方面开源组件的空白，致力于此并希翼成为互联网网站首选的中文分词开源组件。 Paoding中文分词追求分词的高效率和用户良好体验。

Paoding's Knives 中文分词具有极高效率和高扩展性。引入隐喻，采用完全的面向对象设计，构思先进。

高效率：在PIII 1G内存个人机器上，1秒可准确分词100万汉字。

采用基于不限制个数的词典文件对文章进行有效切分，使能够将对词汇分类定义。

能够对未知的词汇进行合理解析

授权协议：Apache

开发语言：Java

操作系统：跨平台 

收录时间：2008年09月07日  （国产软件）

下载：http://www.oschina.net/p/paoding 或http://code.google.com/p/paoding/

4、FreeICTCLAS 

中科院ICTCLAS最新free开放源代码，里面有中文分词算法，大家一起共同学习和研究，对搜索引擎中文分词方面有很大用处哦

授权协议：未知

开发语言：C/C++

操作系统：Windows 

收录时间：2010年10月20日  （国产软件）

下载：http://www.oschina.net/p/freeictclas

5、LibMMSeg

LibMMSeg 是Coreseek.com为Sphinx全文搜索引擎设计的中文分词软件包，其在GPL协议下发行的中文分词法，采用Chih-Hao Tsai的MMSEG算法。

您可以在Chih-Hao Tsai's Technology Page找到算法的原文。

LibMMSeg 采用C++开发，同时支持Linux平台和Windows平台，切分速度大约在300K/s（PM-1.2G），截至当前版本（0.7.1）LibMMSeg没有为速度仔细优化过，进一步的提升切分速度应仍有空间。

授权协议：未知

开发语言：C/C++

操作系统：跨平台 

收录时间：2009年05月31日  （国产软件）

下载 ： MMSeg 0.7.3

6、PHPCWS

PHPCWS 是一款开源的PHP中文分词扩展，目前仅支持Linux/Unix系统，该项目现在已改名为HTTPCWS，此项目不再继续维护。

PHPCWS 先使用“ICTCLAS 3.0 共享版中文分词算法”的API进行初次分词处理，再使用自行编写的“逆向最大匹配算法”对分词和进行词语合并处理，并增加标点符号过滤功能，得出分词结果。

ICTCLAS（Institute of Computing Technology, Chinese Lexical Analysis System）是中国科学院计算技术研究所在多年研究工作积累的基础上，基于多层隐马模型研制出的汉语词法分析系统，主要功能包括中文分词；词性标注；命 名实体识别；新词识别；同时支持用户词典。ICTCLAS经过五年精心打造，内核升级6次，目前已经升级到了ICTCLAS3.0，分词精度 98.45%，各种词典数据压缩后不到3M。ICTCLAS在国内973专家组组织的评测中活动获得了第一名，在第一届国际中文处理研究机构SigHan 组织的评测中都获得了多项第一名，是当前世界上最好的汉语词法分析器。

授权协议：BSD

开发语言：PHP

操作系统：跨平台 

收录时间：2009年03月19日  （国产软件）

下载：http://www.oschina.net/p/phpcws

7、HTTPCWS

HTTPCWS是一款Linux下的基于HTTP协议的开源中文分词系统，采用BSD协议。

这个分词系统是对中国科学院计算技术研究所免费提供的ICTCLAS 3.0共享版分词后的结果，再采用逆向最大匹配算法，根据作者自己补充的一个9万条词语的自定义词库，对ICTCLAS分词结果进行合并处理，输出最终分词结果。目前只支持GBK编码。

经过测试，局域网内 HTTPCWS 接口中文分词平均处理速度（Wait时间）：0.001秒，每秒可处理5000～20000次请求。

授权协议：BSD

开发语言：C/C++

操作系统：Linux 

收录时间：2009年08月11日  （国产软件）

下载：http://www.oschina.net/p/httpcws

8、imdict-chinese-analyzer

imdict-chinese-analyzer 是imdict智能词典的智能中文分词模块，算法基于隐马尔科夫模型(Hidden Markov Model, HMM)，是中国科学院计算技术研究所的ictclas中 文分词程序的重新实现（基于Java），可以直接为lucene搜索引擎提供简体中文分词支持。

授权协议：Apache

开发语言：Java

操作系统：跨平台 

收录时间：2010年03月02日  （国产软件）

下载：http://www.oschina.net/p/imdict-chinese-analyzer

9、mmseg4j

mmseg4j 用 Chih-Hao Tsai 的 MMSeg 算法(http://technology.chtsai.org/mmseg/)实现的中文分词器，并实现 lucene 的 analyzer 和 solr 的TokenizerFactory 以方便在Lucene和Solr中使用。

MMSeg 算法有两种分词方法：Simple和Complex，都是基于正向最大匹配。Complex 加了四个规则过虑。官方说：词语的正确识别率达到了 98.41%。mmseg4j 已经实现了这两种分词算法。

授权协议：Apache

开发语言：Java

操作系统：跨平台 

收录时间：2009年09月26日  （国产软件）

下载：http://www.oschina.net/p/mmseg4j

10、smallseg

smallseg -- 开源的，基于DFA的轻量级的中文分词工具包

特点：可自定义词典、切割后返回登录词列表和未登录词列表、有一定的新词识别能力。

授权协议：未知

开发语言：Java Python

操作系统：跨平台 

收录时间：2009年10月15日  （国产软件）

下载：http://www.oschina.net/p/smallseg

11、CRF

中文分词是互联网应用不可缺少的基础技术之一，也是其他语音和语言产品必不可少的技术组件。

自2003年第一届国际中文分词评测以来，由字构词的分词方法获得了压倒性优势，国内主要通过CRF++开源软件包来学习该分词方法，但是CRF++过于复杂的代码结构，导致了该算法的普及率。

CRF中文分词开源版仅仅包含CRF++软件包中分词解码器部分，简化了CRF++复杂代码结构，清除了分词解码器不需要的代码，大大提高了分词解码器的可读性和可懂度。同时为了方便学习者可视化跟踪和调试代码，在Windows平台下分别建立了VC6.0和VS2008两个工程文件，使得VC6.0用户和VS2008用户都能轻玩转中文分词。

授权协议：未知

开发语言：C/C++

操作系统：Windows 

收录时间：2010年08月26日  （国产软件）

下载：http://www.oschina.net/p/crf

12、SCWS

SCWS 是 Simple Chinese Words Segmentation 的缩写，即简易中文分词系统。

这是一套基于词频词典的机械中文分词引擎，它能将一整段的汉字基本正确的切分成词。词是汉语的基本语素单位，而书写的时候不像英语会在词之间用空格分开， 所以如何准确而又快速的分词一直是中文分词的攻关难点。

SCWS 在概念上并无创新成分，采用的是自行采集的词频词典，并辅以一定程度上的专有名称、人名、地名、数字年代等规则集，经小范围测试大概准确率在 90% ~ 95% 之间，已能基本满足一些中小型搜索引擎、关键字提取等场合运用。 SCWS 采用纯 C 代码开发，以 Unix-Like OS 为主要平台环境，提供共享函数库，方便植入各种现有软件系统。此外它支持 GBK，UTF-8，BIG5 等汉字编码，切词效率高。

授权协议：未知

开发语言：PHP

操作系统：跨平台 

收录时间：2010年05月23日  （国产软件）

下载：http://www.oschina.net/p/scws

13、FudanNLP

FudanNLP主要是为中文自然语言处理而开发的工具包，也包含为实现这些任务的机器学习算法和数据集。

授权协议：LGPL

开发语言：Java

操作系统：跨平台 

收录时间：2010年07月19日  （国产软件）

下载：http://www.oschina.net/p/fudannlp

14、ictclas4j

ictclas4j中文分词系统是sinboy在中科院张华平和刘群老师的研制的FreeICTCLAS的基础上完成的一个java开源分词项目，简化了原分词程序的复杂度，旨在为广大的中文分词爱好者一个更好的学习机会。

授权协议：Apache

开发语言：Java

操作系统：跨平台 

收录时间：2010年10月20日  （国产软件）

下载： http://www.oschina.net/p/ictclas4j