一、SCWS简介
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， 所以如何准确并快速分词一直是中文分词的攻关难点。
SCWS 采用纯 C 语言开发，不依赖任何外部库函数，可直接使用动态链接库嵌入应用程序， 支持的中文编码包括 GBK、UTF-8 等。此外还提供了 PHP 扩展模块， 可在 PHP 中快速而方便地使用分词功能。
分词算法上并无太多创新成分，采用的是自己采集的词频词典，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，经小范围测试准确率在 90% ~ 95% 之间， 基本上能满足一些小型搜索引擎、关键字提取等场合运用。首次雏形版本发布于 2005 年底。
SCWS 由 hightman 开发， 并以 BSD 许可协议开源发布，源码托管在 github。
二、scws安装
# wget http://www.xunsearch.com/scws/down/scws-1.2.3.tar.bz2
# tar jxvf scws-1.2.3.tar.bz2
# cd scws-1.2.3
# ./configure –prefix=/usr/local/scws
# make && make install
三、scws的PHP扩展安装
复制代码 代码如下:
# cd ./phpext
# phpize
# ./configure –with-php-config=/usr/local/php/bin/php-config
# make && make install
# echo “[scws]” >> /etc/php.ini
# echo “extension = scws.so” >> /etc/php.ini
# echo “scws.default.charset = utf-8” >> /etc/php.ini
# echo “scws.default.fpath = /usr/local/scws/etc/” >> /etc/php.ini
四、词库安装
复制代码 代码如下:
# wget http://www.xunsearch.com/scws/down/scws-dict-chs-utf8.tar.bz2
# tar jxvf scws-dict-chs-utf8.tar.bz2 -C /usr/local/scws/etc/
# chown www:www /usr/local/scws/etc/dict.utf8.xdb
五、php实例代码。可以详细看下SCWS官方API说明
复制代码 代码如下:
//实例化分词插件核心类
$so = scws_new();
//设置分词时所用编码
$so->set_charset(‘utf-8’);
//设置分词所用词典(此处使用utf8的词典)
$so->set_dict(‘/usr/local/scws/etc/dict.utf8.xdb’);
//设置分词所用规则
$so->set_rule(‘/usr/local/scws/etc/rules.utf8.ini ‘);
//分词前去掉标点符号
$so->set_ignore(true);
//是否复式分割，如“中国人”返回“中国＋人＋中国人”三个词。
$so->set_multi(true);
//设定将文字自动以二字分词法聚合
$so->set_duality(true);
//要进行分词的语句
$so->send_text(“欢迎来到火星时代IT开发”);
//获取分词结果，如果提取高频词用get_tops方法
while ($tmp = $so->get_result())
{
echo ‘<pre>’;
print_r($tmp);
echo ‘</pre>’;
}
$so->close();
返回数组结果说明：
Array
(
[0] => Array
(
[word] => 欢迎
[off] => 0
[len] => 6
[idf] => 3.9100000858307
[attr] => v
)
[1] => Array
(
[word] => 来到
[off] => 6
[len] => 6
[idf] => 4.8600001335144
[attr] => v
)
[2] => Array
(
[word] => 火星
[off] => 12
[len] => 6
[idf] => 9.6499996185303
[attr] => nz
)
[3] => Array
(
[word] => 时代
[off] => 18
[len] => 6
[idf] => 4.5599999427795
[attr] => n
)
[4] => Array
(
[word] => IT
[off] => 24
[len] => 2
[idf] => 0
[attr] => en
)
[5] => Array
(
[word] => 开发
[off] => 26
[len] => 6
[idf] => 4.460000038147
[attr] => vn
)
)
复制代码 代码如下:
word _string_ 词本身
idf _float_ 逆文本词频
off _int_ 该词在原文本路的位置
attr _string_ 词性
六、在线API
也可以使用在线API实现中文分词,API地址：http://www.xunsearch.com/scws/api.php，详细说明也在地址中。