|
|
我使用的分詞工具是中科院計(jì)算所的開源版本的 ICTCLAS。 另外還有開源的 Bamboo， 我隨后也會(huì)對(duì)該工具進(jìn)行調(diào)研。
從 ICTCLAS 出發(fā)是個(gè)不錯(cuò)的選擇， 因?yàn)槠渌惴▊鞑ケ容^廣泛， 有公開的學(xué)術(shù)文檔， 并且編譯簡單， 庫依賴少。 但目前只提供了 C/C++， Java 和 C# 版本的代碼， 并沒有 php 版本的代碼。 怎么辦呢? 也許可以學(xué)習(xí)它的 C/C++ 源碼和學(xué)術(shù)文檔中， 然后再開發(fā)一個(gè) php 版本出來。 不過， 我要使用進(jìn)程間通信， 在 php 代碼里調(diào)用 C/C++ 版本的可執(zhí)行文件。
下載源碼解壓后， 在有 C++ 開發(fā)庫和編譯環(huán)境的機(jī)器上直接 make ictclas 即可。 它的 Makefile 腳本有個(gè)錯(cuò)誤， 執(zhí)行測(cè)試的代碼沒有加上'。/'， 當(dāng)然不能像 Windows 下執(zhí)行成功了。 但也不影響編譯結(jié)果。
進(jìn)行中文分詞的 php 類就在下面了， 用 proc_open() 函數(shù)來執(zhí)行分詞程序， 并通過管道和其交互， 輸入要進(jìn)行分詞的文本， 讀取分詞結(jié)果。
復(fù)制代碼 代碼如下:
<?php
class NLP{
private static $cmd_path;
// 不以'/'結(jié)尾
static function set_cmd_path($path){
self::$cmd_path = $path;
}
private function cmd($str){
$descriptorspec = array(
0 => array("pipe", "r"),
1 => array("pipe", "w"),
);
$cmd = self::$cmd_path . "/ictclas";
$process = proc_open($cmd, $descriptorspec, $pipes);
if (is_resource($process)) {
$str = iconv('utf-8', 'gbk', $str);
fwrite($pipes[0], $str);
$output = stream_get_contents($pipes[1]);
fclose($pipes[0]);
fclose($pipes[1]);
$return_value = proc_close($process);
}
/*
$cmd = "printf '$input' | " . self::$cmd_path . "/ictclas";
exec($cmd, $output, $ret);
$output = join("/n", $output);
*/
$output = trim($output);
$output = iconv('gbk', 'utf-8', $output);
return $output;
}
/**
* 進(jìn)行分詞, 返回詞語列表.
*/
function tokenize($str){
$tokens = array();
$output = self::cmd($input);
if($output){
$ps = preg_split('//s+/', $output);
foreach($ps as $p){
list($seg, $tag) = explode('/', $p);
$item = array(
'seg' => $seg,
'tag' => $tag,
);
$tokens[] = $item;
}
}
return $tokens;
}
}
NLP::set_cmd_path(dirname(__FILE__));
?>
使用起來很簡單(確保 ICTCLAS 編譯后的可執(zhí)行文件和詞典在當(dāng)前目錄)：
復(fù)制代碼 代碼如下:
<?php
require_once('NLP.php');
var_dump(NLP::tokenize('Hello, World!'));
?>
php技術(shù)：PHP中文分詞的簡單實(shí)現(xiàn)代碼分享，轉(zhuǎn)載需保留來源！
鄭重聲明：本文版權(quán)歸原作者所有，轉(zhuǎn)載文章僅為傳播更多信息之目的，如作者信息標(biāo)記有誤，請(qǐng)第一時(shí)間聯(lián)系我們修改或刪除，多謝。
