程序師世界是廣大編程愛好者互助、分享、學習的平台,程序師世界有你更精彩!
首頁
編程語言
C語言|JAVA編程
Python編程
網頁編程
ASP編程|PHP編程
JSP編程
數據庫知識
MYSQL數據庫|SqlServer數據庫
Oracle數據庫|DB2數據庫
 程式師世界 >> 編程語言 >> 網頁編程 >> PHP編程 >> 關於PHP編程 >> PHP中文分詞的簡單實現代碼分享

PHP中文分詞的簡單實現代碼分享

編輯:關於PHP編程

當然, 本文不是要對中文搜索引擎做研究, 而是分享如果用 PHP 做一個站內搜索引擎。 本文是這個系統中的一篇。
我使用的分詞工具是中科院計算所的開源版本的 ICTCLAS。 另外還有開源的 Bamboo, 我隨後也會對該工具進行調研。
從 ICTCLAS 出發是個不錯的選擇, 因為其算法傳播比較廣泛, 有公開的學術文檔, 並且編譯簡單, 庫依賴少。 但目前只提供了 C/C++, Java 和 C# 版本的代碼, 並沒有 PHP 版本的代碼。 怎麼辦呢? 也許可以學習它的 C/C++ 源碼和學術文檔中, 然後再開發一個 PHP 版本出來。 不過, 我要使用進程間通信, 在 PHP 代碼裡調用 C/C++ 版本的可執行文件。
下載源碼解壓後, 在有 C++ 開發庫和編譯環境的機器上直接 make ictclas 即可。 它的 Makefile 腳本有個錯誤, 執行測試的代碼沒有加上'。/', 當然不能像 Windows 下執行成功了。 但也不影響編譯結果。
進行中文分詞的 PHP 類就在下面了, 用 proc_open() 函數來執行分詞程序, 並通過管道和其交互, 輸入要進行分詞的文本, 讀取分詞結果。
復制代碼 代碼如下:
<?php
class NLP{
private static $cmd_path;
// 不以'/'結尾
static function set_cmd_path($path){
self::$cmd_path = $path;
}
private function cmd($str){
$descriptorspec = array(
0 => array("pipe", "r"),
1 => array("pipe", "w"),
);
$cmd = self::$cmd_path . "/ictclas";
$process = proc_open($cmd, $descriptorspec, $pipes);
if (is_resource($process)) {
$str = iconv('utf-8', 'gbk', $str);
fwrite($pipes[0], $str);
$output = stream_get_contents($pipes[1]);
fclose($pipes[0]);
fclose($pipes[1]);
$return_value = proc_close($process);
}
/*
$cmd = "printf '$input' | " . self::$cmd_path . "/ictclas";
exec($cmd, $output, $ret);
$output = join("\n", $output);
*/
$output = trim($output);
$output = iconv('gbk', 'utf-8', $output);
return $output;
}
/**
* 進行分詞, 返回詞語列表.
*/
function tokenize($str){
$tokens = array();
$output = self::cmd($input);
if($output){
$ps = preg_split('/\s+/', $output);
foreach($ps as $p){
list($seg, $tag) = explode('/', $p);
$item = array(
'seg' => $seg,
'tag' => $tag,
);
$tokens[] = $item;
}
}
return $tokens;
}
}
NLP::set_cmd_path(dirname(__FILE__));
?>

使用起來很簡單(確保 ICTCLAS 編譯後的可執行文件和詞典在當前目錄):
復制代碼 代碼如下:
<?php
require_once('NLP.php');
var_dump(NLP::tokenize('Hello, World!'));
?>

  1. 上一頁:
  2. 下一頁:
Copyright © 程式師世界 All Rights Reserved