#CppJieba是"结巴"中文分词的C++版本
功能性的代码全写成hpp文件,此处的hpp文件是将cpp和h两个文件全都写在hpp文件里面(当然需要遵守相关约束)
之所以全写成hpp文件,是因为这样在别的项目需要使用到中文分词功能的时候直接#include"xx.hpp" 进来就可以使用,无需麻烦的链接。
现在支持utf8,gbk编码的分词。
wget https://github.com/aszxqw/cppjieba/archive/master.zip -O cppjieba-master.zip unzip cppjieba-master.zip cd cppjieba-master mkdir build cd build cmake .. # 默认是utf8编码,如果要使用gbk编码则使用下句cmake命令 # cmake .. -DENC=GBK make sudo make install
/usr/bin/cjseg.sh ../test/testlines.utf8
#Usage: /etc/init.d/cjserver {start|stop|restart|force-reload}
#启动
sudo /etc/init.d/cjserver start
#停止
sudo /etc/init.d/cjserver stop
然后用chrome浏览器打开http://127.0.0.1:11200/?key=南京市长江大桥
(用chrome的原因是chrome的默认编码就是utf-8)
或者用命令 curl "http://127.0.0.1:11200/?key=南京市长江大桥" (ubuntu中的curl安装命令sudo apt-get install curl)
cd build/ cat install_manifest.txt | sudo xargs rm -rf
Output:
我来到北京清华大学
我/来到/北京/清华大学
他来到了网易杭研大厦
他/来到/了/网易/杭/研/大厦
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
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
我来自北京邮电大学。。。学号091111xx。。。
我/来自/北京邮电大学/。。。/学/号/091111xx/。。。
Output:
我来到北京清华大学
我来/到/北京/清华大学
他来到了网易杭研大厦
他来/到/了/网易/杭/研大厦
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
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
我来自北京邮电大学。。。学号091111xx。。。
我来/自北京/邮电大学/。。。/学号/091111xx/。。。
Output:
我来到北京清华大学
我/来到/北京/清华大学
他来到了网易杭研大厦
他/来到/了/网易/杭研/大厦
杭研
杭研
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
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
我来自北京邮电大学。。。学号091111xx。。。
我/来自/北京邮电大学/。。。/学号/091111xx/。。。
以上依次是MP,HMM,Mix三种方法的效果。
可以看出效果最好的是Mix,也就是融合MP和HMM的切词算法。即可以准确切出词典已有的词,又可以切出像"杭研"这样的未登录词。
本项目主要是如下目录组成:
核心目录,包含主要源代码。
Trie.hpp 负责载入词典的trie树,主要供Segment模块使用。
MPSegment.hpp (Maximum Probability)最大概率法:负责根据Trie树构建有向无环图和进行动态规划算法,是分词算法的核心。
HMMSegment.hpp
是根据HMM模型来进行分词,主要算法思路是根据(B,E,M,S)四个状态来代表每个字的隐藏状态。
HMM模型由dicts/下面的hmm_model.utf8提供。
分词算法即viterbi算法。
TransCode.cpp/TransCode.h 负责转换编码类型,将utf8和gbk转换成uint16_t类型,也负责逆转换。
提供服务的框架代码,
详见: https://github.com/aszxqw/husky
主要是一些工具函数,例如字符串操作等。
直接include就可以使用。
详见: https://github.com/aszxqw/limonp
分词速度大概是 = 2M/sec
测试环境: Intel(R) Xeon(R) CPU E5506 @ 2.13GHz 电脑下开的ubuntu虚拟机
如果有运行问题或者任何疑问,欢迎联系 : wuyanyi09@gmail.com
"结巴中文"分词作者: SunJunyi
https://github.com/fxsjy/jieba
顾名思义,之所以叫CppJieba,是参照SunJunyi大神的Jieba分词Python程序写成的,所以饮水思源,再次感谢SunJunyi。