中文分词实现的技术指南

Love The Way You Lie 2021-12-14 03:13 271阅读 0赞

> 参考：[http://www.xunsearch.com/scws/download.php][http_www.xunsearch.com_scws_download.php]
> 
> https://www.cnblogs.com/martinzhang/p/3209696.html
> 
> [https://www.cnblogs.com/glory-jzx/p/3509975.html][https_www.cnblogs.com_glory-jzx_p_3509975.html]

中文分词，一般使用在全文搜索场景中，如果关键词中存在一些固定或常用的词汇，可以将他们分开返回给搜索逻辑，一般会查询数据库来分别匹配分词查询得到结果。关键词如果作为一个整体传递给数据库查询可能匹配不到任何结果，分词后会匹配到结果，这就是中文分词的作用。详细的可以在网上搜索一下。

分词演示：[http://www.xunsearch.com/scws/demo/v48.php][http_www.xunsearch.com_scws_demo_v48.php]

[http://www.xunsearch.com/scws/demo/v48.cht.php][http_www.xunsearch.com_scws_demo_v48.php]

我们的应用案例语言环境是PHP、phpstudy服务器

我们使用php5.4.45-nts-apache

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbl9kaw_size_16_color_FFFFFF_t_70][]

** 下载php\_scws.dll，放入php环境下的ext目录**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbl9kaw_size_16_color_FFFFFF_t_70 1][]

**下载分词规则文件**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbl9kaw_size_16_color_FFFFFF_t_70 2][]

**配置php.ini**

extension = php\_scws.dll  
scws.default.charset = utf8  
scws.default.fpath = "D:/scws/etc"

**测试运行环境是否支持scws**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbl9kaw_size_16_color_FFFFFF_t_70 3][]

**中文分词测试脚本**

<?php
 //phpinfo();exit;
 header('Content-Type:text/html;charset=UTF-8');
 echo '<pre>';
 //
 echo $text="我是一个中国人,我会C++语言,我也有很多T恤衣服,我想知道奥迪A6与第八代索纳塔哪个油耗低，谢谢花好月圆二手奥拓芽菜好吃悦翔V3怎么样卧槽日系车Q5";
 
 echo ' ';
 
 $so = scws_new(); //创建并返回一个 `SimpleCWS` 类操作对象
 $so->set_charset('utf8'); //设定分词词典、规则集、欲分文本字符串的字符集(utf8 和 gbk)
 $so->set_dict('D:/scws/etc/dict.utf8.xdb'); //强行设定分词所用的词典(注：如果做此设置会使php.ini中已设置的词典失效，如无需要可不设此项)
 $so->set_rule('D:/scws/etc/rules.utf8.ini'); //强行设定分词所用的新词识别规则集（用于人名、地名、数字时间年代等识别）(注：如果做此设置会使php.ini中已设置的规则失效，如无需要可不设此项)
 $so->set_ignore('yes'); //设定分词返回结果时是否去除一些特殊的标点符号之类
 $so->set_duality(false); //设定是否将闲散文字自动以二字分词法聚合
 
 //设定分词返回结果时是否复式分割，如“中国人”返回“中国＋人＋中国人”三个词。
 //也可用 1-15 来表示：(1)短词 (2)二元（将相邻的2个单字组合成一个词） (4)重要单字 (8)全部单字
 $so->set_multi(0);
 
 //发送设定分词所要切割的文本
 //执行本函数时，若未加载任何词典和规则集，则会自动试图在 ini 指定的缺省目录下查找缺省字符集的词典和规则集
 $so->send_text($text);
 
 $getWords = $so->get_words('~v'); //n,nz,un,ns,i
 /*
 根据 send_text 设定的文本内容，返回系统中词性符合要求的关键词汇
 > **参数 attr** 是一系列词性组成的字符串，各词性之间以半角的逗号隔开，
 > 这表示返回的词性必须在列表中，如果以~开头，则表示取反，词性必须不在列表中，若为空则返回全部词。 
 > **返回值** 成功返回符合要求词汇组成的数组，返回 false。返回的词汇包含的键值参见 `scws_get_result`
 */
 print_r($getWords);
 
 echo ' --------------------------------------------------------------------- ';
 
 $getTops = $so->get_tops(20,'~v,~r');
 /*
 根据 send_text 设定的文本内容，返回系统计算出来的最关键词汇列表
 > **参数 limit** 可选参数，返回的词的最大数量，缺省是 10 
 > **参数 attr** 可选参数，是一系列词性组成的字符串，各词性之间以半角的逗号隔开，
 > 这表示返回的词性必须在列表中，如果以~开头，则表示取反，词性必须不在列表中，缺省为NULL，返回全部词性，不过滤。 
 > **返回值** 成功返回统计好的的词汇组成的数组，返回 false。返回的词汇包含的键值如下：
 > word _string_ 词本身
 > times _int_ 词在文本中出现的次数
 > weight _float_ 该词计算后的权重
 > attr _string_ 词性
 */
 print_r($getTops);
 
 echo ' / ';
 
 while($getResult = $so->get_result()){
 /*
 根据 send_text 设定的文本内容，返回一系列切好的词汇
 > word _string_ 词本身
 > off _int_ 该词在原文本路的位置-
 > len _int_ 词长度 
 > idf _float_ 逆文本词频 
 > attr _string_ 词性
 */
 print_r($getResult);
 }
 
 
 echo $version = $so->version(); //获取版本
 
 $so->close(); //关闭
 
 ?>

运行结果

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbl9kaw_size_16_color_FFFFFF_t_70 4][]

持续完善，待续...

[http_www.xunsearch.com_scws_download.php]: http://www.xunsearch.com/scws/download.php
[https_www.cnblogs.com_glory-jzx_p_3509975.html]: https://www.cnblogs.com/glory-jzx/p/3509975.html
[http_www.xunsearch.com_scws_demo_v48.php]: http://www.xunsearch.com/scws/demo/v48.php
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbl9kaw_size_16_color_FFFFFF_t_70]: /images/20211213/5ce1c8168609400bbf9f14c1f6846989.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbl9kaw_size_16_color_FFFFFF_t_70 1]: /images/20211213/9bc19b2945b5472087a0739fb17b6b5a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbl9kaw_size_16_color_FFFFFF_t_70 2]: /images/20211213/a762ccdf565e4bd8b37b3d17cfe2edff.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbl9kaw_size_16_color_FFFFFF_t_70 3]: /images/20211213/2fbd541049674c00b5375d972ec862d6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbl9kaw_size_16_color_FFFFFF_t_70 4]: /images/20211213/225b0d6922944a259d2967166eea97ec.png