VicWord 一个纯php的分词

QQ交流群: 731475644

安装

composer require lizhichao/word

分词说明

含有3种切分方法 getWord 长度优先切分 。最快 getShortWord 细粒度切分。比最快慢一点点 getAutoWord 自动切分 。效果最好 可自定义词典，自己添加词语到词库，词库支持文本格式json和二级制格式igb 二进制格式词典小，加载快 dict.igb含有175662个词，欢迎大家补充词语到 dict.txt ，格式(词语 t idf t 词性) idf 获取方法 百度搜索这个词语 Math.log(100000001/结果数量)，如果你有更好的方法欢迎补充。 词性 [标点符号,名词,动词,形容词,区别词,代词,数词,量词,副词,介词,连词,助词,语气词,拟声词,叹词] 取index ；标点符号取0 三种分词结果对比

$fc = new VicWord(); $arr = $fc->getWord('北京大学生喝进口红酒，在北京大学生活区喝进口红酒'); //北京大学|生喝|进口|红酒|，|在|北京大学|生活区|喝|进口|红酒 //$arr 是一个数组 每个单元的结构[词语,词语位置,词性,这个词语是否包含在词典中] 这里只值列出了词语 $arr = $fc->getShortWord('北京大学生喝进口红酒，在北京大学生活区喝进口红酒'); //北京|大学|生喝|进口|红酒|，|在|北京|大学|生活|区喝|进口|红酒 $arr = $fc->getAutoWord('北京大学生喝进口红酒，在北京大学生活区喝进口红酒'); //北京|大学生|喝|进口|红酒|，|在|北京大学|生活区|喝|进口|红酒 //对比 //qq的分词 http://nlp.qq.com/semantic.cgi#page2 //百度的分词 http://ai.baidu.com/tech/nlp/lexical

分词速度

机器阿里云 Intel(R) Xeon(R) Platinum 8163 CPU @ 2.50GHz
getWord 每秒140w字
getShortWord 每秒138w字
getAutoWord 每秒40w字
测试文本在百度百科拷贝的一段5000字的文本

制作词库

词库支持utf-8的任意字符 词典大小不影响 分词速度

只有一个方法 VicDict->add(词语,词性 = null)

require __DIR__.'/Lib/VicDict.php'; //目前可支持 igb 和 json 两种词典库格式；igb需要安装igbinary扩展，igb文件小，加载快 $path = ''; //词典地址 $dict = new VicDict($path); //添加词语词库 add(词语,词性) 不分语言，可以是utf-8编码的任何字符 $dict->add('中国','n'); //保存词库 $dict->save();

demo

demo

该作者的其他软件

一个极简高性能php框架，支持[swoole | php-fpm ]环境 clickhouse tcp 客户端