modify README.md

This commit is contained in:
wyy 2013-11-04 06:00:40 -08:00
parent b0c2bf6490
commit 2f22c5507c
2 changed files with 77 additions and 59 deletions

133
README.md
View File

@ -7,41 +7,63 @@
- `master`分支支持`utf8`编码
- `gbk`分支支持`gbk`编码
## 安装与使用
## 模块详解
### 下载和安装
### Trie树
Trie.cpp/Trie.h 负责载入词典的trie树主要供Segment模块使用。
```sh
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 -DCMAKE_INSTALL_PREFIX=/usr ..
make
sudo make install
```
### Segment模块
### 卸载
```sh
cd build/
cat install_manifest.txt | sudo xargs rm -rf
```
MPSegment.cpp/MPSegment.h
(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。
### 验证
HMMSegment.cpp/HMMSegment.h
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。
```sh
cd test/
g++ -o segment.demo segment.cpp -L/usr/lib/CppJieba/ -lcppjieba
./segment # you will see the demo.
```
运行一下 `./server``./segment` 都会有对应的帮助文档显示。
### TransCode模块
同时,如果想知道开发时如何使用`libcppjieba.a` 请看`test/segment.cpp`源代码即可。
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
如果想知道如何搭建一个`cppjieba`中文分词的http服务请见 `test/server.cpp`源代码即可
若还有其他问题,欢迎`send mail`或者`open issue`。 :)
### 搭建服务
## Demo
```
cd ./test
g++ -o server server.cpp -L/usr/lib/CppJieba/ -L/usr/lib/CppJieba/Husky -lcppjieba -lhusky -lpthread
./server -n 4 -p 11258 -k start #启动服务监听11258这个端口。
./server -n 4 -p 11258 -k stop #停止服务
```
#### 验证服务
然后用chrome浏览器打开`http://127.0.0.1:11258/?key=我来自北京邮电大学`
(用chrome的原因是chrome的默认编码就是utf-8)
或者用命令 `curl "http://127.0.0.1:11258/?key=我来自北京邮电大学"` (ubuntu中的curl安装命令`sudo apt-get install curl`)
## 分词效果
### MPSegment's demo
__这部分的功能经过线上考验一直稳定运行暂时没有发现什么bug。__
```
cd ./demo;
make;
./segment_demo testlines.utf8
```
Output:
```
我来到北京清华大学
@ -59,12 +81,6 @@ Output:
### HMMSegment's demo
```
cd ./demo;
make;
./segment_demo testlines.utf8 --modelpath ../dicts/hmm_model.utf8 --algorithm cutHMM
```
Output:
```
我来到北京清华大学
@ -78,11 +94,6 @@ Output:
```
### MixSegment's demo
```
cd ./demo;
make;
./segment_demo testlines.utf8 --algorithm cutMix
```
Output:
```
@ -98,43 +109,53 @@ Output:
我/来自/北京邮电大学/。。。/学号/091111xx/。。。
```
### Server's demo
引入了husky这个文件夹husky是一个简单的http服务框架。
```
cd ./demo;
make;
./start.sh #启动一个服务监听11258这个端口(在start.sh里面指定)。
```
关闭和重启分别是`stop.sh``restart.sh`
然后用chrome浏览器打开`http://127.0.0.1:11258/?key=我来自北京邮电大学`
(用chrome的原因是chrome的默认编码就是utf-8)
或者用命令 `curl "http://127.0.0.1:11258/?key=我来自北京邮电大学"`
### 效果分析
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。
## Help
## 模块详解
本项目主要是如下目录组成:
### Limonp
### src
核心目录,包含主要源代码。
#### Trie树
Trie.cpp/Trie.h 负责载入词典的trie树主要供Segment模块使用。
#### Segment模块
MPSegment.cpp/MPSegment.h
(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.cpp/HMMSegment.h
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模块
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。
### src/Husky
提供服务的框架代码,
详见: https://github.com/aszxqw/husky
### src/Limonp
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。
### cppjieba
核心目录,包含主要源代码。
make 之后产生libcppjieb.a
使用方法参考如上cppcommon
详见: https://github.com/aszxqw/limonp
## Help
### run `./segment_demo` to get help.

View File

@ -1,3 +0,0 @@
./segment.demo testlines.utf8 --dictpath ../dicts/jieba.dict.utf8
./segment.demo testlines.utf8 --modelpath ../dicts/hmm_model.utf8 --algorithm cutHMM
./segment.demo testlines.utf8 --algorithm cutMix