V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

爱意满满的作品展示区。

这是一个创建于 2548 天前的主题，其中的信息可能已经有所发展或是发生改变。

VicWord 一个纯 php 的分词

（顺便安利一下：本人从帝都回来，打算找个兼职。如果你们正好缺个前端或者 php 后端不妨联系我。微信：dongxi828 ）

star 地址 https://github.com/lizhichao/VicWord

分词说明

含有 3 种切分方法
- getWord 长度优先切分。最快
- getShortWord 细粒度切分。比最快慢一点点
- getAutoWord 自动切分 (在相邻词做了递归) 。效果最好
可自定义词典，自己添加词语到词库，词库支持文本格式json和二级制格式igb 二进制格式词典小，加载快
dict.igb含有 175662 个词
三种分词结果对比

$fc = new VicWord('igb');
$arr = $fc->getWord('北京大学生喝进口红酒，在北京大学生活区喝进口红酒');
//北京大学|生喝|进口|红酒|，|在|北京大学|生活区|喝|进口|红酒
//$arr 是一个数组 每个单元的结构[词语,词语位置,词性,这个词语是否包含在词典中] 这里只值列出了词语

$arr =  $fc->getShortWord('北京大学生喝进口红酒，在北京大学生活区喝进口红酒');
//北京|大学|生喝|进口|红酒|，|在|北京|大学|生活|区喝|进口|红酒

$arr = $fc->getAutoWord('北京大学生喝进口红酒，在北京大学生活区喝进口红酒');
//北京|大学生|喝|进口|红酒|，|在|北京大学|生活区|喝|进口|红酒

//准确度对比
//q 的分词和百度的分 http://nlp.qq.com/semantic.cgi#page2 http://ai.baidu.com/tech/nlp/lexical

分词速度

机器阿里云 Intel(R) Xeon(R) Platinum 8163 CPU @ 2.50GHz
getWord 每秒 140w 字
getShortWord 每秒 138w 字
getAutoWord 每秒 40w 字
测试文本在百度百科拷贝的一段 5000 字的文本

制作词库

词库支持 utf-8 的任意字符
词典大小不影响分词速度
VicDict->add(词语,词性 = null)

demo

分词

北京大学

进口

生活区

39 条回复 • 2018-06-14 15:35:20 +08:00

dishuibaby

2017-12-27 12:44:58 +08:00

mark 一下

server

2017-12-27 12:57:28 +08:00

1024，😀

qianmeng

2017-12-27 13:01:13 +08:00 via Android

这个很厉害啊

eseeker

2017-12-27 13:03:04 +08:00 via Android

好东西要赞一个。谢谢分享！

gdtv

2017-12-27 13:12:42 +08:00

感谢，正好需要

gdtv

2017-12-27 13:15:17 +08:00

试了一下
广东省广州市解放路 24 号越秀公园
结果：
广东省,广州市,解放,路 24 号越秀,公园

感谢楼主，正好可以用到我现在的项目里。

assad

2017-12-27 13:15:36 +08:00 via Android

赞一个

gdtv

2017-12-27 13:18:33 +08:00

能否区分词性，例如“的、地、得”是助词，“红酒”是名词

tanszhe

2017-12-27 14:11:21 +08:00

@gdtv 补充在词库就能支持了目前的词库没有词性

babytomas

2017-12-27 14:14:18 +08:00

可以配合你这个做本地翻译引擎耶。

predator

2017-12-27 14:16:42 +08:00

棒棒哒非常好

ORZRRR

2017-12-27 14:17:21 +08:00

支持下，这玩意核心在词典，希望大家可以开源一起维护完善词典？已经人工给一个星星

LeungJZ

2017-12-27 15:05:13 +08:00

支持支持。已 star。

kn007

2017-12-27 15:07:53 +08:00

nice，支持

x86

2017-12-27 15:12:59 +08:00

好东西

Sornets

2017-12-27 15:43:55 +08:00

厉害了，star+1

lyz745704689

2017-12-27 16:20:03 +08:00

有一个个人项目，目前安卓已经上架，ios 在开发中，不知道楼主有兴趣没有，已经加您微信了

rebill

2017-12-27 16:23:51 +08:00

看来切词的准确性在于词典

pkm

2017-12-27 16:37:07 +08:00

结婚|的|和尚|未结婚的

pkm

2017-12-27 16:40:36 +08:00

楼主棒棒哒，细粒度挺准确的

aksoft

2017-12-27 17:19:19 +08:00

php 是最好的语言

imNull

2017-12-27 19:42:18 +08:00

fork 了楼主的，简单改了改支持 composer： https://github.com/xu42/VicWord

tanszhe

2017-12-27 21:08:17 +08:00

@imNull 感谢😄，还是把 json 格式保留方便没有安装 igbinary 的人

qianmeng

2017-12-27 21:58:47 +08:00 via Android

刚才试了一下，感觉词库的大小限制了分词效果，看来智能程序的阅读量也很重要啊

singer

2017-12-27 22:01:28 +08:00 via iPhone

哇塞，好厉害啊

heybuddy

2017-12-27 22:03:26 +08:00 via Android

老兄 666

mingyun

2017-12-27 23:49:48 +08:00

@imNull 安装提示

[InvalidArgumentException]
Could not find a matching version of package xu42/vic-word. Check the packa
ge spelling, your version constraint and that the package is available in a
stability which matches your minimum-stability (stable).

arsom

2017-12-28 01:13:12 +08:00 via iPhone

mark

polymerdg

2017-12-28 08:44:36 +08:00

mark

imNull

2017-12-28 09:15:21 +08:00

@mingyun 再试试

imNull

2017-12-28 09:16:21 +08:00

@tanszhe 安装个扩展做一点小小的牺牲也是可以的

TangMonk

2017-12-28 09:21:54 +08:00 via Android

每个单独的 http 请求都要重新加载词库吗？

tanszhe

2017-12-28 09:27:29 +08:00

@TangMonk 可这么做，这样每次都会浪费加载词库的时间。可以做个服务每次去调用就好了，这样词库就只加载一次

TangMonk

2017-12-28 11:17:49 +08:00 via Android

@tanszhe 用 apcu 来缓存可以吧

mumu

2017-12-28 16:52:44 +08:00

mark

Outshine

2017-12-29 11:09:05 +08:00

好东西，已 star

leon1900

2017-12-29 19:57:38 +08:00

棒

wbz93815

2017-12-30 21:31:21 +08:00

好东西，收藏下。

artandlol

2018-06-14 15:35:20 +08:00

安装完一直提示故障，composer 和 git 的方式都有问题。

PHP Fatal error: Uncaught Error: Call to undefined function Lizhichao\Word\igbinary_unserialize() in /data/web/vendor/lizhichao/word/Lib/VicWord.php:31

一个纯 PHP 的分词

VicWord 一个纯 php 的分词

分词说明

分词速度

制作词库

demo