/cppjieba

"结巴"中文分词的C++版本

Primary LanguageC++

CppJieba Build Status

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, 因为gbk编码缺少严格测试,慎用。
  • 内置分词服务server/server.cpp,在linux环境下可安装使用(可选),可通过http参数选择不同分词算法进行分词。
  • 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。
  • 支持 linux , mac osx 操作系统。
  • 支持 Docker
  • 提供 C语言 api接口调用 cjieba

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/yanyiwu/cppjieba.git
cd cppjieba
mkdir build
cd build
cmake ..
make

有兴趣的可以跑跑测试(可选):

./test/test.run
./load_test

Demo

./demo

结果示例:

[demo] METHOD_MP
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/C/E/O/,/走上/人生/巅峰/。

[demo] METHOD_HMM
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/。

[demo] METHOD_MIX
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/。

[demo] METHOD_FULL
我/是/拖拉/拖拉机/学院/手扶/手扶拖拉机/拖拉/拖拉机/专业/的/。/不用/多久/,/我/就/会升/升职/加薪/,/当上/C/E/O/,/走上/人生/巅峰/。
[demo] METHOD_QUERY
我/是/拖拉机/学院/手扶/手扶拖拉机/拖拉/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/。

[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
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"]

详细请看 test/demo.cpp.

服务使用

服务默认使用 MixSegment 切词方式,如果想要修改成其他方式,请参考 server/server.cpp 源码文件。 将对应的方式的代码行注释去掉,重新编译即可。

启动服务

./bin/cjserver ../conf/server_example.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

默认切词算法是MixSegment切词算法,如果想要使用其他算法切词,可以使用参数method来设置。 示例如下:

curl "http://127.0.0.1:11200/?key=南京市长江大桥&format=simple&method=MP"
curl "http://127.0.0.1:11200/?key=南京市长江大桥&format=simple&method=HMM"
curl "http://127.0.0.1:11200/?key=南京市长江大桥&format=simple&method=MIX"
curl "http://127.0.0.1:11200/?key=南京市长江大桥&format=simple&method=FULL"
curl "http://127.0.0.1:11200/?key=南京市长江大桥&format=simple&method=QUERY"

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"]

因为 HTTP GET 请求有长度限制,如果需要请求长文的,请使用POST请求。

安装服务(仅限 linux 系统)

如果有需要安装使用的,可以按照如下操作:

sudo make install

服务启动和停止(仅限 linux 系统)

cd /usr/local/cppjieba
./script/cjserver.start
./script/cjserver.stop

卸载服务(仅限 linux 系统)

rm -rf /usr/local/cppjieba

Docker 示例

安装和启动

sudo docker pull yanyiwu/cppjieba
sudo docker run -d -P yanyiwu/cppjieba
sudo docker ps
CONTAINER ID        IMAGE                     COMMAND                CREATED             STATUS              PORTS                      NAMES
7c29325e9c20        yanyiwu/cppjieba:latest   "./bin/cjserver ../t   4 minutes ago       Up 4 minutes        0.0.0.0:49160->11200/tcp   angry_wilson        

可以看到正在运行的 Docker 容器(容器内运行着 cjserver 服务),并且服务的端口号被映射为 0.0.0.0:49160

所以现在可以来一发测试了:

curl "http://0.0.0.0:49160/?key=南京市长江大桥"

预期结果如下:

["南京市", "长江大桥"]

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

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.

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", "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:eng", ",:x", "迎娶:v", "白富美:x", ",: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"]

其它词典资料分享

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

jiebaR

如果有需要在R中使用分词的话,不妨试一下jiebaR

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

cjieba

如果有需要在 C语言 中使用分词模块的话,不妨试一下cjieba

jieba_rb

如果有需要在 Ruby 中使用分词模块的话,不妨试一下jieba_rb

iosjieba

如果有需要在 iOS 开发中使用分词模块的话,不妨参考一下 iosjieba

线上演示

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

性能评测

Jieba中文分词系列性能评测

客服

i@yanyiwu.com

image

鸣谢

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

许可证

MIT http://yanyiwu.mit-license.org

作者