CppJieba ======== CppJieba 是“结巴(Jieba)”中文分词的 C++版本 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。 用法 ---- 依赖软件 ~~~~~~~~ - ``g++ (version >= 4.1 is recommended) or clang++``; - ``cmake (version >= 2.6 is recommended)``; 下载和编译 ~~~~~~~~~~ .. code:: sh 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): .. code:: sh make test Demo ---- .. code:: sh ./demo 结果示例： .. code:: sh [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``. 分词结果示例 ~~~~~~~~~~~~ MPSegment ^^^^^^^^^ .. code:: sh 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 ^^^^^^^^^^ .. code:: sh 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 ^^^^^^^^^^ .. code:: sh 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 ^^^^^^^^^^^ .. code:: sh 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 ^^^^^^^^^^^^ .. code:: sh 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。 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: .. code:: sh 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: .. code:: sh 令狐冲/是/云计算/行业/的/专家 关键词抽取 ~~~~~~~~~~ .. code:: sh 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``. 词性标注 ~~~~~~~~ .. code:: sh 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 .. code:: sh 蓝翔 nz 结果如下： .. code:: sh ["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"] 其它词典资料分享 ---------------- - `dict.367W.utf8 `__ iLife(562193561 at qq.com) 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。 线上演示 -------- `Web-Demo `__\ (建议使用 chrome 打开) 性能评测 -------- `jieba 中文分词系列性能评测 `__ 客服 ---- - Email: i@yanyiwu.com - QQ: 64162451 - WeChat: |image| 鸣谢 ---- “结巴”中文分词作者: `SunJunyi `__ 许可证 ------ `MIT `__ 作者 ---- - `yanyiwu `__ - `aholic `__ .. |image| image:: http://7viirv.com1.z0.glb.clouddn.com/5a7d1b5c0d_yanyiwu_personal_qrcodes.jpg