7.1.4. CppJieba¶
CppJieba 是“结巴(Jieba)”中文分词的 C++版本
7.1.4.1. 特性¶
源代码都写进头文件
include/cppjieba/*.hpp里，include即可使用。支持
utf8编码。项目自带较为完善的单元测试，核心功能中文分词(utf8)的稳定性接受过线上环境检验。
支持载自定义用户词典，多路径时支持分隔符’|‘或者’;’分隔。
支持
Linux,Mac OSX,Windows操作系统。
7.1.4.2. 用法¶
7.1.4.2.1. 依赖软件¶
g++ (version >= 4.1 is recommended) or clang++;cmake (version >= 2.6 is recommended);
7.1.4.2.2. 下载和编译¶
git clone --depth=10 --branch=master git://github.com/yanyiwu/cppjieba.git
cd cppjieba
mkdir build
cd build
cmake ..
make
有兴趣的可以跑跑测试(可选):
make test
7.1.4.3. Demo¶
./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}]
详细请看 test/demo.cpp.
7.1.4.3.1. 分词结果示例¶
7.1.4.3.1.1. MPSegment¶
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
7.1.4.3.1.2. 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
7.1.4.3.1.3. 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
7.1.4.3.1.4. 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
7.1.4.3.1.5. 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。
7.1.4.3.2. 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
7.1.4.3.3. 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"]
详细请见 test/demo.cpp.
7.1.4.3.4. 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"]
详细请看 test/demo.cpp.
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"]
7.1.4.4. 其它词典资料分享¶
dict.367W.utf8 iLife(562193561 at qq.com)
7.1.4.5. 应用¶
GoJieba go 语言版本的结巴中文分词。
NodeJieba Node.js 版本的结巴中文分词。
simhash 中文文档的的相似度计算
exjieba Erlang 版本的结巴中文分词。
jiebaR R 语言版本的结巴中文分词。
cjieba C 语言版本的结巴分词。
jieba_rb Ruby 版本的结巴分词。
iosjieba iOS 版本的结巴分词。
SqlJieba MySQL 全文索引的结巴中文分词插件。
pg_jieba PostgreSQL 数据库的分词插件。
gitbook-plugin-search-pro 支持中文搜索的 gitbook 插件。
ngx_http_cppjieba_module Nginx 分词插件。
cppjiebapy 由 jannson 开发的供 python 模块调用的项目 cppjiebapy, 相关讨论 cppjiebapy_discussion .
cppjieba-py 由 bung87 基于 pybind11 封装的 python 模块,使用体验上接近于原 jieba。
KeywordServer 50 行搭建一个中文关键词抽取服务。
cppjieba-server CppJieba HTTP 服务器。
phpjieba php 版本的结巴分词扩展。
perl5-jieba Perl 版本的结巴分词扩展。
7.1.4.7. 性能评测¶
7.1.4.8. 客服¶
Email: i@yanyiwu.com
QQ: 64162451
WeChat:
