一、下载地址
1.https://github.com/fukuball/jieba-php
二、简介
“结巴”中文分词:做最好的PHP中文分词,中文断词组件。/“结巴”(中文为“口吃”)中文分词:建立最好的PHP中文分词模块。
目前翻译版为jieba-0.26版本,未来再慢慢往上升级,效能也需要再改善,请有兴趣的开发者一起加入开发!若想使用Python版本请前往 https://github.com/fxsjy/jieba
现在已经可以支援繁体中文!只要将字典切换为大模式即可!
三、特征
-
支持三种分词模式:
-
1)默认精确模式,试图将句子最精确地切开,适合文本分析;
-
2)全模式,把句子中所有的可以成词的词语都扫描出来,但是不能解决歧义。(需要充足的字典)
-
- 搜寻引擎模式,在精确模式的基础上,对长词再次切分,提高召回率,适合用于搜寻引擎分词。
-
支持繁体断词
-
支持自定义词典
四、用法
- 手动安装:将jieba-php放置适当目录后,透过require_once引用
require_once “ /yourpath/vendor/multi-array/MultiArray.php ” ;
require_once “ /yourpath/vendor/multi-array/Factory/MultiArrayFactory.php ” ;
require_once “ /yourpath/class/Jieba.php ” ;
require_once “ /yourpath/class/Finalseg.php ” ;
五、算法
- 基于Trie树结构实现高效的词图扫描,生成句子中汉字所有可能成词情况所构成的有向无环图(DAG)
- 采用了动态规划查找最大概率路径,找出基于词频的最大切分组合
- 对于未入词词,采用了基于汉字成词能力的HMM模型,使用了Viterbi算法
- BEMS的解释https://github.com/fxsjy/jieba/issues/7
六、接口
- 组件只提供jieba.cut方法用于分词
- cut方法接受两个输入参数:1)第一个参数为需要分词的字符串2)cut_all参数用来控制分词模式
- 待分词的字符串可以是utf-8字符串
- jieba.cut返回的结构是一个可迭代的数组
七、功能
1.分词
cut
方法接受想个输入参数:1)第一个参数为需要分词的字符串2)cut_all参数用来控制分词模式cutForSearch
方法接受一个参数:需要分词的字符串,该方法适合用于搜索引擎构建倒排索引的分词,粒度比较细- 注意:待分词的字符串是utf-8字符串
cut
以及cutForSearch
返回的结构是一个可迭代的数组
ini_set('memory_limit', '1024M');
require_once "/path/to/your/vendor/multi-array/MultiArray.php";
require_once "/path/to/your/vendor/multi-array/Factory/MultiArrayFactory.php";
require_once "/path/to/your/class/Jieba.php";
require_once "/path/to/your/class/Finalseg.php";
use Fukuball\Jieba\Jieba;
use Fukuball\Jieba\Finalseg;
Jieba::init();
Finalseg::init();
$seg_list = Jieba::cut("怜香惜玉也得要看对象啊!");
var_dump($seg_list);
$seg_list = Jieba::cut("我来到北京清华大学", true);
var_dump($seg_list); #全模式
$seg_list = Jieba::cut("我来到北京清华大学", false);
var_dump($seg_list); #默認精確模式
$seg_list = Jieba::cut("他来到了网易杭研大厦");
var_dump($seg_list);
$seg_list = Jieba::cutForSearch("小明硕士毕业于中国科学院计算所,后在日本京都大学深造"); #搜索引擎模式
var_dump($seg_list);
打印输出
array(7) {
[0]=>
string(12) "怜香惜玉"
[1]=>
string(3) "也"
[2]=>
string(3) "得"
[3]=>
string(3) "要"
[4]=>
string(3) "看"
[5]=>
string(6) "对象"
[6]=>
string(3) "啊"
}
Full Mode:
array(15) {
[0]=>
string(3) "我"
[1]=>
string(3) "来"
[2]=>
string(6) "来到"
[3]=>
string(3) "到"
[4]=>
string(