deminy/jieba-php

This package is abandoned and no longer maintained. No replacement package was suggested.

结巴中文分词PHP版本

0.25.3 2017-07-01 02:32 UTC

Requires

• php: >=7.0
• cache/cache: ~0.4
• league/csv: ~8.2
• psr/log: ~1.0

Requires (Dev)

• monolog/monolog: ~1.11
• mustache/mustache: ~2.11
• phpunit/phpunit: ~6.0
• squizlabs/php_codesniffer: ~3.0

Suggests

• ext-mongodb: Allow serializing dictionary files in BSON format
• ext-msgpack: Allow serializing dictionary files in MessagePack format

MIT

• php
• nlp
• Chinese
• natural language processing
• Jieba

README

"结巴中文分词"PHP版本："结巴中文分词"是Sun Junyi开发的Python版的中文分词组件，后来衍生了多种语言实现，包括C++、Java、.NET、Go等等。这份PHP版本起始于fukuball之前做的PHP实现（v0.25），随后对其整体重写并作了各种更新和改进，包括代码升级、使用PHP 7的新功能重构代码、使用PSR-4管理autoloading、使用依赖注射等设计模式、更新单元测试的实现、以及更多的性能优化和代码更新等等。如果你需要相应的PHP扩展的版本，可考虑jonnywang写的结巴中文分词之PHP扩展。

有关算法、词典生成等方面的问题，请参考结巴中文分词相关文档。

特点

• 支持三种分词模式：
  • 精确模式，试图将句子最精确地切开，适合文本分析。
  • 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义。
  • 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。
• 支持繁体分词。
• 支持自定义词典。

安装使用

使用本库你需要至少给PHP分配1G内存限制或更多，主要是用来存储词典信息。随着进一步的优化（包括缓存方面的优化），内存消耗将会降低。

composer require deminy/jieba-php:dev-master

<?php

require_once dirname(__DIR__) . '/vendor/autoload.php';

use Jieba\Jieba;

var_dump((new Jieba())->cut("怜香惜玉也得要看对象啊！"));

字符编码处理

本库默认假设用户使用的字符编码为UTF-8。如果运行环境非UTF-8，你可以参考下面的代码文件解决相关编码问题：

./examples/encoding.php

用法介绍

分词

请参考下面的代码文件：

./examples/default.php

添加自定义词典

开发者可以指定自己自定义的词典，以便包含jieba词库裡没有的词。虽然jieba有新词识别能力，但是自行添加新词可以保证更高的正确率。请参考下面的代码文件：

./examples/useUserDict.php

关键词提取

请参考下面的代码文件：

./examples/extractTags.php

词性分词

有关词性说明，请参考《词性标记》这篇文档。下面的代码文件可以提供更多的理解：

./examples/posseg.php

切换成繁体字典

请参考下面的代码文件：

./examples/big5.php

使用不同的序列化格式（BSON, JSON, MessagePack等）

请参考下面的代码文件：

./examples/useDifferentSerializers.php

常见问题

1. 模型的数据是如何生成的？

2. 术语说明

• tf–idf