PHP中文分词扩展

以前做过自然语言处理（nlp）的相关后端开发，之前也谈过搜索引擎Elasticsearch，它们都离不开一个基础性的工具～分词，放到Python里面也是处理文本的一个很基础常用的东西了，大致干的是这么一件事：将整句话按照一定匹配方法分成n个词语。例如：‘百度一下，你就知道’，可分为‘百度’、‘你’、‘就’、‘知道’，这几个词。

由于这是个基础性工具，Python作为一个机器学习，搞nlp的首选语言，基本上是调个包的事情，但Python的痛点大家也知道～普遍效率低！当时也没拜托搞Java的同志帮忙，就琢磨PHP能不能也搞一个，然后，就有了下面这篇介绍～

PHP中文分词扩展

安装

git clone https://github.com/jonnywang/phpjieba.git 
cd phpjieba/cjieba
make
cd ..
phpize （如果是多版本PHP，则是例如：/usr/local/php/71/bin/phpize）
./configure(./configure --with-php-config=/usr/local/php/71/bin/php-config)
make
make install
php.ini  
加上
extension=jieba.so 
jieba.enable=1 
jieba.dict_path=/usr/local/phpjieba/data/softs/jz/cjieba/dict #指向jieba库dict目录

function

array    jieba(string $text, bool use_extract = false, long extract_limit = 10)

examples：

ini_set('jieba.enable', 1);  //php.ini 配置了可不用写

ini_set('jieba.dict_path', '/usr/local/data/softs/phpjieba/cjieba/dict'); //php.ini 配置了可不用写

try {

  $result = jieba('小明硕士毕业于中国科学院计算所，后在日本京都大学深造');

  echo implode('/', $result) . PHP_EOL;

  //计算所/小明/京都大学/深造/硕士/中国科学院/毕业/日本

  $result = jieba('小明硕士毕业于中国科学院计算所，后在日本京都大学深造', 1, 50);

  echo implode('/', $result) . PHP_EOL;

  //小明/硕士/毕业/于/中国/科学/学院/科学院/中国科学院/计算/计算所/，/后/在/日本/京都/大学/京都大学/深造

  $result = jieba('他心理健康', 1);

  echo implode('/', $result) . PHP_EOL;

  //他/心理/健康/心理健康

  $result = jieba('this is a demo, my name is jony', 1, 10);

  echo implode('/', $result) . PHP_EOL;

  //demo/jony

  $result = jieba('this is a demo, my name is jony');

  echo implode('/', $result) . PHP_EOL;

  //this/ /is/ /a/ /demo/,/ /my/ /name/ /is/ /jony

  $result = jieba('小明硕士毕业于中国科学院计算所，后在日本京都大学深造', 2);

  print_r($result);

/*

  Array
      (

            [小明] => x

            [硕士] => n

            [毕业] => n

            [于] => p

            [中国科学院] => nt

            [计算所] => n

            => x

            [后] => f

            [在] => p

            [日本] => ns

            [京都大学] => nz

            [深造] => v

            )

      */

} catch (Exception $e) {

echo $e->getMessage . PHP_EOL;

}

还有就是，如果有需要完整匹配的词语，可放到dict文件夹下，这样就不会拆分了。性能上，别的不说，比起Python的分词包，那是不出意外的秒杀，哈哈～