# CppJieba [![Build Status](https://travis-ci.org/aszxqw/cppjieba.png?branch=master)](https://travis-ci.org/aszxqw/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, 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。 + 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`。 ## 用法 ### 依赖软件 * `g++ (version >= 4.1 recommended) or clang++`; * `cmake (version >= 2.6 recommended)`; ### 下载和编译 ```sh git clone --depth=10 --branch=master git://github.com/aszxqw/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 ``` ## 演示 ``` ./segment.demo ``` 详细请看 `test/segment_demo.cpp`. ## 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(仅限 linux 系统) ``` /etc/init.d/cjserver.start >> /dev/null 2>&1 /etc/init.d/cjserver.stop ``` ### 卸载服务(仅限 linux 系统) ```sh cd build/ cat install_manifest.txt | sudo xargs rm -rf ``` ## 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 小明硕士毕业于中国科学院计算所,后在日本京都大学深造 小/明/硕士/毕业/于/中国科学院/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 小明硕士毕业于中国科学院计算所,后在日本京都大学深造 小明/硕士/毕业于/中国/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 小明硕士毕业于中国科学院计算所,后在日本京都大学深造 小明/硕士/毕业/于/中国科学院/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 小明硕士毕业于中国科学院计算所,后在日本京都大学深造 小/明/硕士/毕业/于/中国/中国科学院/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 小明硕士毕业于中国科学院计算所,后在日本京都大学深造 小明/硕士/毕业/于/中国/中国科学院/科学/科学院/学院/计算所/,/后/在/中国/中国科学院/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:eng", ",:x", "迎娶:v", "白富美:x", ",:x", "走上:v", "人生:n", "巅峰:n", "。:x"] ``` 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 + [dict.367W.utf8.tar.gz] iLife(`562193561@qq.com`) ## 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]. ## 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 [CppJieba]:https://github.com/aszxqw/cppjieba [jannson]:https://github.com/jannson [cppjiebapy]:https://github.com/jannson/cppjiebapy [cppjiebapy_discussion]:https://github.com/aszxqw/cppjieba/issues/1 [NodeJieba]:https://github.com/aszxqw/nodejieba [jiebaR]:https://github.com/qinwf/jiebaR [simhash]:https://github.com/aszxqw/simhash [代码详解]:https://github.com/aszxqw/cppjieba/wiki/CppJieba%E4%BB%A3%E7%A0%81%E8%AF%A6%E8%A7%A3 [libcppjieba]:https://github.com/aszxqw/libcppjieba [issue25]:https://github.com/aszxqw/cppjieba/issues/25 [exjieba]:https://github.com/falood/exjieba [KeywordServer]:https://github.com/aszxqw/keyword_server [ngx_http_cppjieba_module]:https://github.com/aszxqw/ngx_http_cppjieba_module [dict.367W.utf8.tar.gz]:http://pan.baidu.com/s/1o6A0BWY