mirror of
https://github.com/yanyiwu/cppjieba.git
synced 2025-07-18 00:00:12 +08:00
252 lines
6.4 KiB
Markdown
252 lines
6.4 KiB
Markdown
# CppJieba
|
||
|
||
## Introduction
|
||
|
||
CppJieba是"结巴"中文分词的C++版本
|
||
|
||
代码细节详解请见 [代码详解]
|
||
|
||
## Feature
|
||
|
||
+ 源代码都写进头文件hpp里，`include`即可使用。
|
||
+ 支持`utf-8, gbk`编码，但是推荐使用`utf-8`编码。
|
||
+ 内置分词服务，在linux环境下可安装使用。mac因为没有自带`epoll`，使用示例请看[libcppjieba]。
|
||
+ [libcppjieba] 最简单易懂的CppJieba头文件库使用示例。
|
||
+ 项目自带较为完善的单元测试，核心功能中文分词的稳定性接受过线上环境检验。
|
||
|
||
## Usage & Example
|
||
|
||
### Dependency
|
||
|
||
* g++ (version >= 4.1 recommended);
|
||
* cmake (version >= 2.6 recommended);
|
||
|
||
### Download & Demo
|
||
|
||
```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 ..
|
||
# 默认是utf8编码，如果要使用gbk编码则使用下句cmake命令
|
||
# cmake .. -DENC=GBK
|
||
make
|
||
sudo make install
|
||
```
|
||
|
||
#### testing
|
||
|
||
```sh
|
||
make test
|
||
```
|
||
|
||
### server start & stop
|
||
|
||
```
|
||
#Usage: /etc/init.d/cjserver {start|stop|restart|force-reload}
|
||
/etc/init.d/cjserver.start
|
||
/etc/init.d/cjserver.stop
|
||
```
|
||
|
||
#### testing server
|
||
|
||
然后用chrome浏览器打开`http://127.0.0.1:11200/?key=南京市长江大桥`
|
||
(用chrome的原因是chrome的默认编码就是utf-8)
|
||
|
||
或者用命令 `curl "http://127.0.0.1:11200/?key=南京市长江大桥"` (ubuntu中的curl安装命令`sudo apt-get install curl`)
|
||
|
||
你可以看到返回的结果如下：(返回结果是json格式)
|
||
|
||
```
|
||
["南京市", "长江大桥"]
|
||
```
|
||
|
||
如果你使用如下调用方式：
|
||
|
||
```
|
||
curl "http://127.0.0.1:11200/?key=南京市长江大桥&format=simple"
|
||
```
|
||
|
||
则返回结果如下：(返回结果按空格隔开)
|
||
|
||
```
|
||
南京市 长江大桥
|
||
```
|
||
|
||
同时，也支持HTTP POST模式，使用如下调用:
|
||
|
||
```
|
||
curl -d "南京市长江大桥" "http://127.0.0.1:11200/"
|
||
```
|
||
|
||
返回结果如下：
|
||
|
||
```
|
||
["南京市", "长江大桥"]
|
||
```
|
||
|
||
### uninstall
|
||
```sh
|
||
cd build/
|
||
cat install_manifest.txt | sudo xargs rm -rf
|
||
```
|
||
|
||
## Demo
|
||
|
||
最简单易懂的使用示例请看[libcppjieba]。它是根据[issue25]的建议专门弄的头文件库。
|
||
|
||
### MPSegment's demo
|
||
|
||
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's demo
|
||
|
||
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
|
||
|
||
```
|
||
|
||
### MixSegment's demo
|
||
|
||
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
|
||
|
||
```
|
||
|
||
### FullSegment's demo
|
||
|
||
Output:
|
||
```
|
||
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's demo
|
||
|
||
Output:
|
||
```
|
||
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。
|
||
|
||
### 关键词抽取
|
||
|
||
```
|
||
make && ./test/keyword.demo
|
||
```
|
||
|
||
you will see:
|
||
|
||
```
|
||
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"]
|
||
```
|
||
|
||
关键词抽取的demo代码请见`test/keyword_demo.cpp`
|
||
|
||
### 词性标注
|
||
|
||
```
|
||
make && ./test/tagging_demo
|
||
```
|
||
|
||
```
|
||
["我:r", "是:v", "蓝翔:x", "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:x", "，:x", "迎娶:v", "白富美:x", "，:x", "走上:v", "人生:n", "巅峰:n", "。:x"]
|
||
```
|
||
|
||
__词性标注是一个未完成的部分，现在只是一个简单版本。__
|
||
|
||
|
||
|
||
## Application
|
||
|
||
### 关于CppJieba的跨语言包装使用
|
||
|
||
收到邮件询问跨语言包装(ios应用开发)使用的问题，这方面我没有相关的经验，建议参考如下python使用cppjieba的项目：
|
||
|
||
[jannson] 开发的供 python模块调用的项目 [cppjiebapy] , 和相关讨论 [cppjiebapy_discussion] .
|
||
|
||
### NodeJieba
|
||
|
||
如果有需要在`node.js`中使用分词，不妨试一下[NodeJieba]。
|
||
|
||
### simhash
|
||
|
||
如果有需要在处理中文文档的的相似度计算，不妨试一下[simhash]。
|
||
|
||
## Online Demo
|
||
|
||
http://cppjieba-webdemo.herokuapp.com/
|
||
(建议使用chrome打开)
|
||
|
||
## Contact
|
||
|
||
I will appreciate that if you issue any question or send mails to me(wuyanyi09@foxmail.com).
|
||
|
||
## Thanks
|
||
|
||
"结巴"中文分词作者: SunJunyi
|
||
https://github.com/fxsjy/jieba
|
||
|
||
[CppJieba]:https://github.com/aszxqw/cppjieba
|
||
[jannson]:https://github.com/jannson
|
||
[cppjiebapy]:https://github.com/jannson/cppjiebapy
|
||
[cppjiebapy_discussion]:https://github.com/aszxqw/cppjieba/issues/1
|
||
[NodeJieba]:https://github.com/aszxqw/nodejieba
|
||
[simhash]:https://github.com/aszxqw/simhash
|
||
[代码详解]:http://aszxqw.github.io/jekyll/update/2014/02/10/cppjieba-dai-ma-xiang-jie.html
|
||
[libcppjieba]:https://github.com/aszxqw/libcppjieba
|
||
[issue25]:https://github.com/aszxqw/cppjieba/issues/25
|