mirror of
https://github.com/yanyiwu/cppjieba.git
synced 2025-07-18 00:00:12 +08:00
178 lines
4.7 KiB
Markdown
178 lines
4.7 KiB
Markdown
#CppJieba是"结巴"中文分词的C++版本
|
||
|
||
## 中文编码
|
||
|
||
现在支持utf8,gbk编码的分词。
|
||
|
||
- `master`分支支持`utf8`编码
|
||
- `gbk`分支支持`gbk`编码
|
||
|
||
|
||
## 模块详解
|
||
|
||
### 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。
|
||
|
||
|
||
|
||
## Demo
|
||
|
||
### 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
|
||
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
|
||
|
||
我来自北京邮电大学。。。学号091111xx。。。
|
||
我/来自/北京邮电大学/。。。/学/号/091111xx/。。。
|
||
```
|
||
|
||
### 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
|
||
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
|
||
我来自北京邮电大学。。。学号091111xx。。。
|
||
我来/自北京/邮电大学/。。。/学号/091111xx/。。。
|
||
```
|
||
|
||
### MixSegment's demo
|
||
```
|
||
cd ./demo;
|
||
make;
|
||
./segment_demo testlines.utf8 --algorithm cutMix
|
||
```
|
||
|
||
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
|
||
杭研
|
||
杭研
|
||
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
|
||
我来自北京邮电大学。。。学号091111xx。。。
|
||
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`和`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
|
||
|
||
本项目主要是如下目录组成：
|
||
|
||
### 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
|
||
|
||
|
||
|
||
### run `./segment_demo` to get help.
|
||
|
||
如下:
|
||
```
|
||
usage:
|
||
./segment_demo[options] <filename>
|
||
options:
|
||
--algorithm Supported methods are [cutDAG, cutHMM, cutMix] for now.
|
||
If not specified, the default is cutDAG
|
||
--dictpath If not specified, the default is ../dicts/jieba.dict.utf8
|
||
--modelpath If not specified, the default is ../dicts/hmm_model.utf8
|
||
If not specified, the default is utf8.
|
||
example:
|
||
./segment_demo testlines.utf8 --dictpath ../dicts/jieba.dict.utf8
|
||
./segment_demo testlines.utf8 --modelpath ../dicts/hmm_model.utf8 --algorithm cutHMM
|
||
./segment_demo testlines.utf8 --modelpath ../dicts/hmm_model.utf8 --algorithm cutMix
|
||
|
||
```
|
||
|
||
## 分词速度
|
||
|
||
### MixSegment
|
||
|
||
分词速度大概是 62M / 54sec = 1.15M/sec
|
||
测试环境: `Intel(R) Xeon(R) CPU E5506 @ 2.13GHz`
|
||
|
||
|
||
## 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
|
||
|
||
顾名思义，之所以叫CppJieba，是参照SunJunyi大神的Jieba分词Python程序写成的，所以饮水思源，再次感谢SunJunyi。
|
||
|
||
|