VicWord 一个纯php的分词

安装

composer require lizhichao/word

分词说明

• 含有 3 种切分方法

  • getWord 长度优先切分。最快
  • getShortWord 细粒度切分。比最快慢一点点
  • getAutoWord 自动切分。效果最好
• 可自定义词典，自己添加词语到词库，词库支持文本格式 json 和二级制格式igb

二进制格式词典小，加载快

• dict.igb含有 175662 个词，欢迎大家补充词语到 dict.txt，格式(词语 t idf t 词性)

  • idf 获取方法 百度搜索这个词语 Math.log(100000001/ 结果数量)，如果你有更好的方法欢迎补充。
  • 词性 [标点符号, 名词, 动词, 形容词, 区别词, 代词, 数词, 量词, 副词, 介词, 连词, 助词, 语气词, 拟声词, 叹词] 取 index；标点符号取 0
• 三种分词结果对比

$fc = new VicWord('igb');
$arr = $fc->getWord('北京大学生喝进口红酒，在北京大学生活区喝进口红酒');
// 北京大学 | 生喝 | 进口 | 红酒 |，| 在 | 北京大学 | 生活区 | 喝 | 进口 | 红酒
//$arr 是一个数组 每个单元的结构[词语, 词语位置, 词性, 这个词语是否包含在词典中] 这里只值列出了词语

$arr =  $fc->getShortWord('北京大学生喝进口红酒，在北京大学生活区喝进口红酒');
// 北京 | 大学 | 生喝 | 进口 | 红酒 |，| 在 | 北京 | 大学 | 生活 | 区喝 | 进口 | 红酒

$arr = $fc->getAutoWord('北京大学生喝进口红酒，在北京大学生活区喝进口红酒');
// 北京 | 大学生 | 喝 | 进口 | 红酒 |，| 在 | 北京大学 | 生活区 | 喝 | 进口 | 红酒

// 对比
//qq 的分词 http://nlp.qq.com/semantic.cgi#page2 
// 百度的分词 http://ai.baidu.com/tech/nlp/lexical

分词速度

机器阿里云 Intel(R) Xeon(R) Platinum 8163 CPU @ 2.50GHz
getWord 每秒 140w 字
getShortWord 每秒 138w 字
getAutoWord 每秒 40w 字
测试文本在百度百科拷贝的一段 5000 字的文本

制作词库

• 词库支持 utf- 8 的任意字符
• 词典大小不影响 分词速度

只有一个方法 VicDict->add(词语, 词性 = null)

// 定义词典文件路径
define('_VIC_WORD_DICT_PATH_',__DIR__.'/Data/dict.igb');

require __DIR__.'/Lib/VicDict.php';

// 目前可支持 igb 和 json 两种词典库格式；igb 需要安装 igbinary 扩展，igb 文件小，加载快
$dict = new VicDict('igb');

// 添加词语词库 add(词语, 词性) 不分语言，可以是 utf- 8 编码的任何字符
$dict->add('中国','n');

// 保存词库
$dict->save();

demo

demo

该作者的其他软件

一个极简的高性能框架，可在 php-fpm 或者 swoole 异步协程环境运行