VicWord 一个纯php的分词

安装

composer require lizhichao/word

分词说明

• 含有3种切分方法

  getWord
  getShortWord
  getAutoWord
  

• 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)

  Math.log(100000001/结果数量)
  

• 三种分词结果对比

$fc = new VicWord('igb');
$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)

//定义词典文件路径
define('_VIC_WORD_DICT_PATH_',__DIR__.'/Data/dict.igb');

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
$dict = new VicDict('igb');

//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

一个极简的高性能框架，可在php-fpm或者swoole异步协程环境运行