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。
SCWS(简易中文分词) 基于HTTP/POST的分词 API 使用说明data 需要分词的字符串(*必须*)
respond 响应结果格式(其值为: php/json/xml, 默认为 php,其中 php是指用php序列化后的结果)
charset 待分词的字符串编码(gbk/utf8,默认是utf8)
ignore 是否忽略标点符号(yes/no,默认为 no)
duality 是否散字自动二元(yes/no,默认为 no)
traditional 是否采用繁体字库(yes/no,默认为 no,仅当 charset 为 utf8 时有效)
multi 复合分词的级别(整数值 1~15:0x01-最短词;0x02-二元;0x04-重要单字;0x08-全部单字) 默认为0,如有需要建议设置为 3
响应的数据:word 词的内容
off 该词在未分词文本中的偏移位置
idf 该词的 IDF 值
attr 词性 (北大标注格式) 参见这里。如果出错则其中的 status 属性/键的值为 error,而 message 为错误信息
成功则 status 值为 ok,words 值是分好的词的列表(数组)
每个分好的词包括以下属性/键值:
该 API 自 2010/12/2 起可用, 感谢用户 keen-lee 的建议并编写了API调用的初始版,查看 API 源码
当前版本:SCWS (Module version:0.2.3, Library version:1.2.3) - by hightman