5guo / cppjieba

"结巴"中文分词的C++版本

#CppJieba是"结巴"中文分词的C++版本

功能性的代码全写成hpp文件，此处的hpp文件是将cpp和h两个文件全都写在hpp文件里面（当然需要遵守相关约束）

之所以全写成hpp文件，是因为这样在别的项目需要使用到中文分词功能的时候直接#include"xx.hpp" 进来就可以使用，无需麻烦的链接。

中文编码

现在支持utf8,gbk编码的分词。

安装与使用

下载和安装

wget https://github.com/aszxqw/cppjieba/archive/master.zip -O cppjieba-master.zip
unzip cppjieba-master.zip
cd cppjieba-master
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
make
sudo make install

测试

make test 

启动服务

#Usage: /etc/init.d/cjserver {start|stop|restart|force-reload}
#启动
sudo /etc/init.d/cjserver start
#停止
sudo /etc/init.d/cjserver stop

测试服务

然后用chrome浏览器打开http://127.0.0.1:11200/?key=南京市长江大桥 (用chrome的原因是chrome的默认编码就是utf-8)

或者用命令 curl "http://127.0.0.1:11200/?key=南京市长江大桥" (ubuntu中的curl安装命令sudo apt-get install curl)

卸载

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

分词效果

MPSegment's demo

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's demo

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

MixSegment's demo

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

FullSegment's demo

Output:

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's demo

Output:

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

效果分析

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。

模块详解

本项目主要是如下目录组成：

src

核心目录，包含主要源代码。

TrieManager模块

TrieManager.hpp 提供一个单例TrieManager，负责管理trie树。 通过该单例获取trie树时，会先判断是否已经由该字典文件生成了一颗trie树，如果已有则返回已有的trie树，否则重新创建一颗trie树返回。

Trie树

Trie.hpp 负责载入词典的trie树，主要供Segment模块使用。

Segment模块

MPSegment.hpp (Maximum Probability)最大概率法:负责根据Trie树构建有向无环图和进行动态规划算法，是分词算法的核心。

HMMSegment.hpp 是根据HMM模型来进行分词，主要算法思路是根据(B,E,M,S)四个状态来代表每个字的隐藏状态。 HMM模型由dict/下面的hmm_model.utf8提供。 分词算法即viterbi算法。

FullSegment.hpp 枚举句子中所有可能成词的情况，找出字典里存在的即可。

TransCode模块

TransCode.hpp 负责转换编码类型，将utf8和gbk转换成uint16_t类型，也负责逆转换。

src/Husky

提供服务的框架代码，

详见： https://github.com/aszxqw/husky

src/Limonp

主要是一些工具函数，例如字符串操作等。
直接include就可以使用。

详见： https://github.com/aszxqw/limonp

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 .

客服

如果有运行问题或者任何疑问，欢迎联系 : [e-mail]

鸣谢

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

顾名思义，之所以叫CppJieba，是参照SunJunyi大神的Jieba分词Python程序写成的，所以饮水思源，再次感谢SunJunyi。