PHP中文分词扩展 SCWS

Posted 2020-09-18 yfceshi

1、scws简单介绍
SCWS 是 Simple Chinese Word Segmentation 的首字母缩写（即：简易中文分词系统）。
这是一套基于词频词典的机械式中文分词引擎，它能将一整段的中文文本基本正确地切分成词。 词是中文的最小语素单位，但在书写时并不像英语会在词之间用空格分开。 所以怎样准确并高速分词一直是中文分词的攻关难点。
SCWS 採用纯 C 语言开发，不依赖不论什么外部库函数。可直接使用动态链接库嵌入应用程序， 支持的中文编码包含 GBK、UTF-8 等。

此外还提供了 php 扩展模块， 可在 PHP 中高速而方便地使用分词功能。

分词算法上并无太多创新成分。採用的是自己採集的词频词典。并辅以一定的专有名称，人名，地名。 数字年代等规则识别来达到基本分词，经小范围測试准确率在 90% ~ 95% 之间， 基本上能满足一些小型搜索引擎、keyword提取等场合运用。

2、scws下载与安装
scws支持windows平台以及linux/unix平台，本次简单以windwos下安装为例进行说明：
[1]下载php_scws.dll文件、XDB 词典文件、规则集文件，详细能够參考网址：http://www.xunsearch.com/scws/download.php
[2]将php_scws.dll文件复制到php安装路径下。
[3]将XDB 词典文件、规则集文件解压到对应盘符，比如D:/ceshi
[4]改动php.ini,添加一下代码：

extension = php_scws.dll
scws.default.charset = gbk
scws.default.fpath = "D:\ceshi\"

3、scws实现分词的简单案例

<?
php
$sh = scws_open();
scws_set_charset($sh, ‘gbk‘);
$text = "我是一个中国人，我会C++语言，我也有非常多T恤衣服";
scws_send_text($sh, $text);
$top = scws_get_tops($sh, 5);
print_r($top);
?>