# CppJieba [![CMake](https://github.com/yanyiwu/cppjieba/actions/workflows/cmake.yml/badge.svg)](https://github.com/yanyiwu/cppjieba/actions/workflows/cmake.yml) [![Author](https://img.shields.io/badge/author-@yanyiwu-blue.svg?style=flat)](http://yanyiwu.com/) [![Platform](https://img.shields.io/badge/platform-Linux,macOS,Windows-green.svg?style=flat)](https://github.com/yanyiwu/cppjieba) [![Performance](https://img.shields.io/badge/performance-excellent-brightgreen.svg?style=flat)](http://yanyiwu.com/work/2015/06/14/jieba-series-performance-test.html) [![Tag](https://img.shields.io/github/v/tag/yanyiwu/cppjieba.svg)](https://github.com/yanyiwu/cppjieba/releases) ## 简介 CppJieba是"结巴(Jieba)"中文分词的C++版本 ### 主要特点 - 🚀 高性能：经过线上环境验证的稳定性和性能表现 - 📦 易集成：源代码以头文件形式提供 (`include/cppjieba/*.hpp`)，包含即可使用 - 🔍 多种分词模式：支持精确模式、全模式、搜索引擎模式等 - 📚 自定义词典：支持用户自定义词典，支持多词典路径（使用'|'或';'分隔） - 💻 跨平台：支持 Linux、macOS、Windows 操作系统 - 🌈 UTF-8编码：原生支持 UTF-8 编码的中文处理 ## 快速开始 ### 环境要求 - C++ 编译器： - g++ (推荐 4.1 以上版本) - 或 clang++ - cmake (推荐 2.6 以上版本) ### 安装步骤 ```sh git clone https://github.com/yanyiwu/cppjieba.git cd cppjieba git submodule init git submodule update mkdir build cd build cmake .. make make test ``` ## 使用示例 ``` ./demo ``` 结果示例： ``` [demo] Cut With HMM 他/来到/了/网易/杭研/大厦 [demo] Cut Without HMM 他/来到/了/网易/杭/研/大厦 我来到北京清华大学 [demo] CutAll 我/来到/北京/清华/清华大学/华大/大学 小明硕士毕业于中国科学院计算所，后在日本京都大学深造 [demo] CutForSearch 小明/硕士/毕业/于/中国/科学/学院/科学院/中国科学院/计算/计算所/，/后/在/日本/京都/大学/日本京都大学/深造 [demo] Insert User Word 男默/女泪 男默女泪 [demo] CutForSearch Word With Offset [{"word": "小明", "offset": 0}, {"word": "硕士", "offset": 6}, {"word": "毕业", "offset": 12}, {"word": "于", "offset": 18}, {"word": "中国", "offset": 21}, {"word": "科学", "offset": 27}, {"word": "学院", "offset": 30}, {"word": "科学院", "offset": 27}, {"word": "中国科学院", "offset": 21}, {"word": "计算", "offset": 36}, {"word": "计算所", "offset": 36}, {"word": "，", "offset": 45}, {"word": "后", "offset": 48}, {"word": "在", "offset": 51}, {"word": "日本", "offset": 54}, {"word": "京都", "offset": 60}, {"word": "大学", "offset": 66}, {"word": "日本京都大学", "offset": 54}, {"word": "深造", "offset": 72}] [demo] Tagging 我是拖拉机学院手扶拖拉机专业的。不用多久，我就会升职加薪，当上CEO，走上人生巅峰。 [我:r, 是:v, 拖拉机:n, 学院:n, 手扶拖拉机:n, 专业:n, 的:uj, 。:x, 不用:v, 多久:m, ，:x, 我:r, 就:d, 会:v, 升职:v, 加薪:nr, ，:x, 当上:t, CEO:eng, ，:x, 走上:v, 人生:n, 巅峰:n, 。:x] [demo] Keyword Extraction 我是拖拉机学院手扶拖拉机专业的。不用多久，我就会升职加薪，当上CEO，走上人生巅峰。 [{"word": "CEO", "offset": [93], "weight": 11.7392}, {"word": "升职", "offset": [72], "weight": 10.8562}, {"word": "加薪", "offset": [78], "weight": 10.6426}, {"word": "手扶拖拉机", "offset": [21], "weight": 10.0089}, {"word": "巅峰", "offset": [111], "weight": 9.49396}] ``` For more details, please see [demo](https://github.com/yanyiwu/cppjieba-demo). ### 分词结果示例 **MPSegment** Output: ``` 我来到北京清华大学 我/来到/北京/清华大学 他来到了网易杭研大厦 他/来到/了/网易/杭/研/大厦 小明硕士毕业于中国科学院计算所，后在日本京都大学深造 小/明/硕士/毕业/于/中国科学院/计算所/，/后/在/日本京都大学/深造 ``` **HMMSegment** ``` 我来到北京清华大学 我来/到/北京/清华大学 他来到了网易杭研大厦 他来/到/了/网易/杭/研大厦 小明硕士毕业于中国科学院计算所，后在日本京都大学深造 小明/硕士/毕业于/中国/科学院/计算所/，/后/在/日/本/京/都/大/学/深/造 ``` **MixSegment** ``` 我来到北京清华大学 我/来到/北京/清华大学 他来到了网易杭研大厦 他/来到/了/网易/杭研/大厦 小明硕士毕业于中国科学院计算所，后在日本京都大学深造 小明/硕士/毕业/于/中国科学院/计算所/，/后/在/日本京都大学/深造 ``` **FullSegment** ``` 我来到北京清华大学 我/来到/北京/清华/清华大学/华大/大学 他来到了网易杭研大厦 他/来到/了/网易/杭/研/大厦 小明硕士毕业于中国科学院计算所，后在日本京都大学深造 小/明/硕士/毕业/于/中国/中国科学院/科学/科学院/学院/计算/计算所/，/后/在/日本/日本京都大学/京都/京都大学/大学/深造 ``` **QuerySegment** ``` 我来到北京清华大学 我/来到/北京/清华/清华大学/华大/大学 他来到了网易杭研大厦 他/来到/了/网易/杭研/大厦 小明硕士毕业于中国科学院计算所，后在日本京都大学深造 小明/硕士/毕业/于/中国/中国科学院/科学/科学院/学院/计算所/，/后/在/中国/中国科学院/科学/科学院/学院/日本/日本京都大学/京都/京都大学/大学/深造 ``` 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。 Full方法切出所有字典里的词语。 Query方法先使用Mix方法切词，对于切出来的较长的词再使用Full方法。 ### 自定义用户词典 自定义词典示例请看`dict/user.dict.utf8`。 没有使用自定义用户词典时的结果: ``` 令狐冲/是/云/计算/行业/的/专家 ``` 使用自定义用户词典时的结果: ``` 令狐冲/是/云计算/行业/的/专家 ``` ### 关键词抽取 ``` 我是拖拉机学院手扶拖拉机专业的。不用多久，我就会升职加薪，当上CEO，走上人生巅峰。 ["CEO:11.7392", "升职:10.8562", "加薪:10.6426", "手扶拖拉机:10.0089", "巅峰:9.49396"] ``` For more details, please see [demo](https://github.com/yanyiwu/cppjieba-demo). ### 词性标注 ``` 我是蓝翔技工拖拉机学院手扶拖拉机专业的。不用多久，我就会升职加薪，当上总经理，出任CEO，迎娶白富美，走上人生巅峰。 ["我:r", "是:v", "拖拉机:n", "学院:n", "手扶拖拉机:n", "专业:n", "的:uj", "。:x", "不用:v", "多久:m", "，:x", "我:r", "就:d", "会:v", "升职:v", "加薪:nr", "，:x", "当上:t", "CEO:eng", "，:x", "走上:v", "人生:n", "巅峰:n", "。:x"] ``` For more details, please see [demo](https://github.com/yanyiwu/cppjieba-demo). 支持自定义词性。 比如在(`dict/user.dict.utf8`)增加一行 ``` 蓝翔 nz ``` 结果如下： ``` ["我:r", "是:v", "蓝翔:nz", "技工:n", "拖拉机:n", "学院:n", "手扶拖拉机:n", "专业:n", "的:uj", "。:x", "不用:v", "多久:m", "，:x", "我:r", "就:d", "会:v", "升职:v", "加薪:nr", "，:x", "当:t", "上:f", "总经理:n", "，:x", "出任:v", "CEO:eng", "，:x", "迎娶:v", "白富美:x", "，:x", "走上:v", "人生:n", "巅峰:n", "。:x"] ``` ## 其它词典资料分享 + [dict.367W.utf8] iLife(562193561 at qq.com) ## 生态系统 CppJieba 已经被广泛应用于各种编程语言的分词实现中： - [GoJieba](https://github.com/yanyiwu/gojieba) - Go 语言版本 - [NodeJieba](https://github.com/yanyiwu/nodejieba) - Node.js 版本 - [CJieba](https://github.com/yanyiwu/cjieba) - C 语言版本 - [jiebaR](https://github.com/qinwf/jiebaR) - R 语言版本 - [exjieba](https://github.com/falood/exjieba) - Erlang 版本 - [jieba_rb](https://github.com/altkatz/jieba_rb) - Ruby 版本 - [iosjieba](https://github.com/yanyiwu/iosjieba) - iOS 版本 - [phpjieba](https://github.com/jonnywang/phpjieba) - PHP 版本 - [perl5-jieba](https://metacpan.org/pod/distribution/Lingua-ZH-Jieba/lib/Lingua/ZH/Jieba.pod) - Perl 版本 ### 应用项目 - [simhash](https://github.com/yanyiwu/simhash) - 中文文档相似度计算 - [pg_jieba](https://github.com/jaiminpan/pg_jieba) - PostgreSQL 分词插件 - [gitbook-plugin-search-pro](https://plugins.gitbook.com/plugin/search-pro) - Gitbook 中文搜索插件 - [ngx_http_cppjieba_module](https://github.com/yanyiwu/ngx_http_cppjieba_module) - Nginx 分词插件 ## 贡献指南 我们欢迎各种形式的贡献，包括但不限于： - 提交问题和建议 - 改进文档 - 提交代码修复 - 添加新功能 如果您觉得 CppJieba 对您有帮助，欢迎 star ⭐️ 支持项目！