mirror of
https://github.com/yanyiwu/cppjieba.git
synced 2025-07-18 00:00:12 +08:00
66 lines
1.8 KiB
Markdown
66 lines
1.8 KiB
Markdown
#CppJieba是"结巴"中文分词的c++库
|
||
|
||
##Detail
|
||
* 现在支持utf8,gbk编码的分词。默认编码是utf8。
|
||
|
||
##Algorithm
|
||
|
||
###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
|
||
Segment.cpp/Segment.h
|
||
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。
|
||
###TransCode模块
|
||
TransCode.cpp/TransCode.h 负责转换编码类型，将utf8和gbk都转换成`uint16_t`类型，也负责逆转换。
|
||
###HMMSegment模块
|
||
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。
|
||
|
||
##Demo
|
||
|
||
### Segment's demo
|
||
运行方法示例:
|
||
```
|
||
cd ./demo;
|
||
make;
|
||
./segment_demo testlines.gbk
|
||
```
|
||
|
||
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
|
||
```
|
||
|
||
run `./segment_demo` to get help.
|
||
|
||
```
|
||
usage:
|
||
./segment_demo <filename> [options]
|
||
options:
|
||
--dictpath If is not specified, the default is ../dicts/jieba.dict.utf8
|
||
--encoding Supported encoding methods are [gbk, utf-8] for now.
|
||
If is not specified, the default is utf8.
|
||
example:
|
||
./segment_demo testlines.utf8 --encoding utf-8 --dictpath ../dicts/jieba.dict.utf8
|
||
./segment_demo testlines.gbk --encoding gbk --dictpath ../dicts/jieba.dict.gbk
|
||
|
||
```
|
||
|
||
##Contact
|
||
如果有运行问题或者任何疑问，欢迎联系 : wuyanyi09@gmail.com
|
||
|
||
##Thanks
|
||
"结巴中文"分词作者: SunJunyi
|
||
https://github.com/fxsjy/jieba
|
||
|
||
|