CppJieba

简介

CppJieba是"结巴"中文分词的C++版本

代码细节详解请见代码详解

特性

源代码都写进头文件src/*.hpp里，include即可使用。
支持utf-8, gbk编码，但是推荐使用utf-8编码。
内置分词服务server/server.cpp，在linux环境下可安装使用。
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。

用法

依赖软件

g++ (version >= 4.1 recommended) or clang++;
cmake (version >= 2.6 recommended);

下载和编译

git clone --depth=10 --branch=master git://github.com/aszxqw/cppjieba.git
cd cppjieba
mkdir build
cd build
cmake ..
# 默认是utf8编码，如果要使用gbk编码则使用下句cmake命令
# cmake .. -DENC=GBK
# 需要注意的是，单元测试都是针对utf8的测试，如果是使用gbk选项的话，此测试不通过。
make

演示

./segment.demo

详细请看 test/segment_demo.cpp.

分词结果示例

MPSegment

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**科学院计算所，后在日本京都大学深造
小/明/硕士/毕业/于/**科学院/计算所/，/后/在/日本京都大学/深造

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**科学院计算所，后在日本京都大学深造
小明/硕士/毕业于/**/科学院/计算所/，/后/在/日/本/京/都/大/学/深/造

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**科学院计算所，后在日本京都大学深造
小明/硕士/毕业/于/**科学院/计算所/，/后/在/日本京都大学/深造

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**科学院计算所，后在日本京都大学深造
小/明/硕士/毕业/于/**/**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

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**科学院计算所，后在日本京都大学深造
小明/硕士/毕业/于/**/**科学院/科学/科学院/学院/计算所/，/后/在/**/**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test/testdata/userdict.utf8。

载入自定义词典示例请看test/segment.cpp，产生的可执行文件示例请见 build/segment.demo

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

关键词抽取

make && ./keyword.demo

你将看到如下结果：

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/keyword_demo.cpp.

词性标注

./tagging.demo

详情请看 test/tagging_demo.cpp.

["我:r", "是:v", "蓝翔:x", "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:x", "，:x", "迎娶:v", "白富美:x", "，:x", "走上:v", "人生:n", "巅峰:n", "。:x"]

服务使用

启动服务

./bin/cjserver ../test/testdata/server.conf

客户端请求示例

curl "http://127.0.0.1:11200/?key=南京市长江大桥"

["南京市", "长江大桥"]

curl "http://127.0.0.1:11200/?key=南京市长江大桥&format=simple"

南京市 长江大桥

用 chrome 浏览器打开也行 ( chrome 设置默认编码是utf-8):

同时，也支持HTTP POST模式，使用如下调用:

curl -d "南京市长江大桥" "http://127.0.0.1:11200/"

返回结果如下：

["南京市", "长江大桥"]

如果有需要安装使用的，可以按照如下操作：

安装服务

sudo make install

服务启动和停止

/etc/init.d/cjserver.start >> /dev/null 2>&1
/etc/init.d/cjserver.stop

卸载服务

cd build/
cat install_manifest.txt | sudo xargs rm -rf

应用

关于CppJieba的跨语言包装使用

收到邮件询问跨语言包装(ios应用开发)使用的问题，这方面我没有相关的经验，建议参考如下python使用cppjieba的项目：

jannson 开发的供 python模块调用的项目 cppjiebapy , 和相关讨论 cppjiebapy_discussion .

NodeJieba

如果有需要在node.js中使用分词，不妨试一下NodeJieba。

simhash

如果有需要在处理中文文档的的相似度计算，不妨试一下simhash。

exjieba

如果有需要在erlang中使用分词的话，不妨试一下exjieba。

libcppjieba

libcppjieba 是最简单易懂的CppJieba头文件库使用示例。

`keyword_server`

KeywordServer 50行搭建一个中文关键词抽取服务。

`ngx_http_cppjieba_module`

如果有需要在Nginx中使用分词模块的话，不妨试一下ngx_http_cppjieba_module.

线上演示

http://cppjieba-webdemo.herokuapp.com/ (建议使用chrome打开)

客服

wuyanyi09@foxmail.com

鸣谢

"结巴"中文分词作者: SunJunyi
https://github.com/fxsjy/jieba

作者

aszxqw https://github.com/aszxqw wuyanyi09@foxmail.com
aholic https://github.com/aholic ruochen.xu@gmail.com

lostfish/cppjieba