web分词程序和算法

注：最新的分词系统 HTTPCWS 已经发布，用来取代 PHPCWS。

　　请点击以下网址下载 HTTPCWS：

　　http://code.google.com/p/httpcws

　　原来的 PHPCWS 停止更新。

---

　　名称：PHPCWS（PHP中文分词扩展）
　　协议：New BSD License
　　作者：张宴
　　网址：http://code.google.com/p/phpcws/
　　SVN：http://code.google.com/p/phpcws/source/browse/#svn/trunk/phpcws

　　一、PHPCWS 简介

　　1、什么是 PHPCWS ？
　　PHPCWS 是一款开源的PHP中文分词扩展，目前仅支持Linux/Unix系统。

　　PHPCWS 先使用“ICTCLAS 3.0 共享版中文分词算法”的API进行初次分词处理，再使用自行编写的“逆向最大匹配算法”对分词和进行词语合并处理，并增加标点符号过滤功能，得出分词结果。

　　ICTCLAS（Institute of Computing Technology, Chinese Lexical Analysis System）是中国科学院计算技术研究所在多年研究工作积累的基础上，基于多层隐马模型研制出的汉语词法分析系统，主要功能包括中文分词；词性标注；命名实体识别；新词识别；同时支持用户词典。ICTCLAS经过五年精心打造，内核升级6次，目前已经升级到了ICTCLAS3.0，分词精度 98.45%，各种词典数据压缩后不到3M。ICTCLAS在国内973专家组组织的评测中活动获得了第一名，在第一届国际中文处理研究机构SigHan 组织的评测中都获得了多项第一名，是当前世界上最好的汉语词法分析器。

　　ICTCLAS 3.0 商业版是收费的，而免费提供的 ICTCLAS 3.0 共享版不开源，词库是根据人民日报一个月的语料得出的，很多词语不存在。所以本人对ICTCLAS分词后的结果，再采用逆向最大匹配算法，根据自己补充的一个9万条词语的自定义词库（与ICTCLAS词库中的词语不重复），对ICTCLAS分词结果进行合并处理，输出最终分词结果。

　　由于 ICTCLAS 3.0 共享版只支持GBK编码，因此，如果是UTF-8编码的字符串，可以先用PHP的iconv函数转换成GBK编码，再用phpcws_split函数进行分词处理，最后转换回UTF-8编码。

　　2、PHPCWS 中文分词在线演示

　　演示网址：http://blog.s135.com/demo/phpcws/

　　3、PHPCWS 分词速度及用途

　　初次使用时，Apache 或 php-cgi(FastCGI) 进程，需要加载一次词库到内存中，需要0.0X秒。58字节的一句话——“2009年2月13日，我编写了一款PHP中文分词扩展：PHPCWS 1.0.0。”，分词速度只需0.0003秒。

　　PHPCWS 属于《亿级数据的高并发通用搜索引擎架构设计》的一部分，用作“搜索查询接口”的关键字分词处理。在此架构中，Sphinx索引引擎对于CJK（中日韩）语言支持一元切分，假设【反恐行动是国产主视角射击网络游戏】这段文字，Sphinx会将其切成【反 恐 行 动 是 国 产 主 视 角 射 击 网 络 游 戏】，然后对每个字建立反向索引。如果用这句话中包含的字组成一个不存在的词语，例如【恐动】，也会被搜索到，所以搜索时，需要加引号，例如搜索【"反恐行动"】，就能完全匹配连在一起的四个字，不连续的【"恐动"】就不会被搜索到。但是，这样还有一个问题，搜索【"反恐行动游戏"】或【"国产网络游戏"】就会搜索不到。所以，我在搜索层写了个PHP中文分词扩展，搜索“反恐行动游戏”、“国产网络游戏”，会被PHPCWS中文分词函数分别切分为“反恐行动 游戏”、“国产 网络游戏”，这时候，用PHP函数给以空格分隔的词语加上引号，去搜索【"反恐行动" "游戏"】或【"国产" "网络游戏"】，就能搜索到这条记录了。由于PHPCWS位于搜索层，中文分词词库发生增、删、改，只需平滑重启一次Web服务器或php-cgi进程即可，无需重建搜索索引。

　　根据上述情况，对于那些采用二元交叉切分的搜索引擎，PHPCWS用在前端搜索层对用户输入的搜索关键字、短语进行分词处理，同样适合。PHPCWS开发的目的正在于此，对于短句、小文本中文分词切分，速度非常之快。

　　4、自定义词库

　　自定义词库名称为userdict.tch，格式为 Tokyo Cabinet DBM 的 Abstract key-value 内存哈希数据库（key为GBK编码的词语名词，value为词频。目前词频均填1，暂时用不上）。自定义词库的修改在安装步骤中会详细介绍。

---

　　二、phpcws 1.0.1 安装步骤

　　1、安装 Tokyo Cabinet 数据库：

wget http://tokyocabinet.sourceforge.net/tokyocabinet-1.4.17.tar.gz
tar zxvf tokyocabinet-1.4.17.tar.gz
cd tokyocabinet-1.4.17/
./configure --prefix=/usr/local/tokyocabinet-1.4.17
make && make install
mkdir -p /usr/local/tokyocabinet-1.4.17/lib/static/
cp -f /usr/local/tokyocabinet-1.4.17/lib/*.a /usr/local/tokyocabinet-1.4.17/lib/static/
echo "/usr/local/tokyocabinet-1.4.17/lib" >> /etc/ld.so.conf
/sbin/ldconfig
cd ../

　　2、安装 PHPCWS 扩展：

wget http://phpcws.googlecode.com/files/phpcws-1.0.1.tar.gz
tar zxvf phpcws-1.0.1.tar.gz
cd phpcws-1.0.1/
/usr/local/webserver/php/bin/phpize
./configure --with-php-config=/usr/local/webserver/php/bin/php-config --with-tc=/usr/local/tokyocabinet-1.4.17
make && make install
cd ../

　　注：其中/usr/local/webserver/php/为您的PHP安装目录。

　　3、安装 ICTCLAS 3.0 词库和 PHPCWS 自定义词库（词库汉字编码均为GBK）：

cd /usr/local/
wget http://phpcws.googlecode.com/files/phpcws-dict-1.0.0.tar.gz
tar zxvf phpcws-dict-1.0.0.tar.gz
mv phpcws-dict-1.0.0 phpcws

　　您可以往自定义词库内增加自己的词语，方法如下：

cd /usr/local/phpcws/

#如果userdict.tch已经被PHP加载，请拷贝一个备份
cp userdict.tch userdict_new.tch

#添加新词语
/usr/local/tokyocabinet-1.4.11/bin/tcamgr put userdict_new.tch 词语一 1
/usr/local/tokyocabinet-1.4.11/bin/tcamgr put userdict_new.tch 词语二 1

查询某个词语是否已经在词库内
/usr/local/tokyocabinet-1.4.11/bin/tcamgr get userdict_new.tch 词语名词

#删除一个词语
/usr/local/tokyocabinet-1.4.11/bin/tcamgr out userdict_new.tch 词语名称

#将修改后的新词库覆盖回原词库
mv userdict_new.tch userdict.tch

#重启您的Apache服务器，或php-cgi(FastCGI)进程。
#例如重启php-cgi(FastCGI)进程：
/usr/local/webserver/php/sbin/php reload

　　您可以从搜狗细胞词库网站下载自己需要的行业分类文本词库，整合到PHPCWS自定义词库中。

　　4、修改您的php.ini文件，增加以下几行内容：

[phpcws]
extension = "phpcws.so"
phpcws.dict_path = "/usr/local/phpcws"

　　5、重启您的Apache服务器，或php-cgi(FastCGI)进程

　　6、查看您的phpinfo信息，如果搜索到以下内容，则表明安装成功：

　　

---

　　三、phpcws 1.0.1 调用方式

　　1、PHPCWS扩展拥有一个PHP函数：
　　string phpcws_split ( string $text [, string $interpunction ] )

　　参数说明：
　　$text 为GBK编码的文本内容；

　　$interpunction 为可选参数，用来控制是否过滤标点符号。
　　①、值为空时，表示不过滤；

　　②、值为"default"时，过滤掉默认的标点符号，即以下标点符号：
　　,.!！＂＃￥％＆｀＇（）〔〕〈〉《》「」『』〖〗【】．＊＋，－．。、？…—·ˉˇ¨‘’“”々～‖∶＂／：；｜〃＜＝＞？＠［＼］＾＿｀｛｜｝￣

　　③、值为其他字符串时，表示过滤掉自定义的标点符号，例如值为",.!，。！"即过滤掉半角、全角的逗号、句号、感叹号。

　　2、PHP中文分词实例：

　　①、对GBK编码的字符串进行中文分词处理（example_gbk.php）：

<?php
@header('Content-Type: text/html; charset=gb2312');
$text = "2009年2月13日，我编写了一款PHP中文分词扩展：PHPCWS 1.0.0。";

echo "分词结果为：<BR>";
$result = phpcws_split($text);
echo $result . "<BR><BR>";

echo "过滤掉默认标点符号的分词结果为：<BR>";
$result = phpcws_split($text, "default");
echo $result . "<BR><BR>";

echo "过滤掉全角逗号与冒号的分词结果为：<BR>";
$result = phpcws_split($text, "，：");
echo $result . "<BR><BR>";
?>

　　②、对UTF-8编码的字符串进行中文分词处理（example_utf8.php）：

<?php
@header('Content-Type: text/html; charset=utf-8');
$text = "2009年2月13日，我编写了一款PHP中文分词扩展：PHPCWS 1.0.0。";
$text = iconv("UTF-8", "GBK//IGNORE", $text);

echo "分词结果为：<BR>";
$result = phpcws_split($text);
$result = iconv("GBK", "UTF-8//IGNORE", $result);
echo $result . "<BR><BR>";

echo "过滤掉默认标点符号的分词结果为：<BR>";
$result = phpcws_split($text, "default");
$result = iconv("GBK", "UTF-8//IGNORE", $result);
echo $result . "<BR><BR>";

echo "过滤掉全角逗号与冒号的分词结果为：<BR>";
$result = phpcws_split($text, "，：");
$result = iconv("GBK", "UTF-8//IGNORE", $result);
echo $result . "<BR><BR>";
?>

　　输出结果为：

分词结果为：
2009年 2月 13日 ， 我 编写 了 一款 PHP 中文 分词 扩展 ： PHPCWS 1.0.0 。

过滤掉默认标点符号的分词结果为：
2009年 2月 13日 我 编写 了 一款 PHP 中文 分词 扩展 PHPCWS 1.0.0

过滤掉全角逗号与冒号的分词结果为：
2009年 2月 13日 我 编写 了 一款 PHP 中文 分词 扩展 PHPCWS 1.0.0 。

　　以上两个实例PHP程序文件可以从SVN中获取：

svn checkout http://phpcws.googlecode.com/svn/trunk/php-example/ php-example