Skip to content
/ xsplit Public

Automatically exported from code.google.com/p/xsplit

Notifications You must be signed in to change notification settings

cysin/xsplit

Repository files navigation

xsplit是一个PHP扩展,提供基于MMSEG算法的分词功能。目前只在linux下测试并部署过,希望有朋友可以帮忙编译提供windows下的dll。

xsplit主要有以下几个函数:

bool xs_build ( array $words, string $dict_file )

resource xs_open (string $dict_file [, bool $persistent])

array xs_split ( string $text [, int $split_method = 1 [, resource $dictionary_identifier ] ] )

mixed xs_search ( string $text [, int $search_method [, $dictionary_identifer ] ] )

string xs_simhash( array $tokens [, bool $rawoutput] )

int xs_hdist( string $simhash1, $string $simhash2)

安装过程与一般的PHP扩展安装一样

$phpize
$./configure --with-php-config=/path/to/php-config
$make
$make install

php.ini中可以设置以下参数:

xsplit.allow_persisten = On
xsplit.max_dicts = 5
xsplit.max_persistent = 3
xsplit.default_dict_file = /home/xdict

xsplit.allow_persistent 是否允许加载持久词典

xsplit.max_dicts 允许同时打开的最大词典数目

xsplit.max_persistent 允许同时打开的最大持久词典数目

xsplit.default_dict_file 默认的词典,没有指定词典时会调用此词典

源码中有一个utils目录,包含

make_dict.php 提供命令行方式创建词典
xsplit.php 一个简单的示例文件
xdict_example.txt 一个文本词库的格式示例

make_dict.php的使用例子如下:

$php make_dict.php ./xdict_example.txt ./xdict.db

文本词库的格式请参考xdict_example.txt

bool xs_build (array $words, string $dict_file)

从$words数组建立名称为$dict_file的词典,若成功则返回true。$words数组的格式请参考示例,key为词语,value为词频。


string xs_simhash( array $tokens [, bool $rawoutput] )
计算simhash。由于

例子如下:

<?php
$dict_file='dict.db';

$dwords['美丽']=100;
$dwords['蝴蝶']=100;
$dwords['永远']=100;
$dwords['心中']=100;
$dwords['翩翩']=100;
$dwords['飞舞']=100;
$dwords['翩翩飞舞']=10;

if(!xs_build($dwords, $dict_file)) {
    die('建立词典失败!');
}

resource xs_open (string $dict_file bool $persistent?)

打开一个词典文件,并返回一个resource类型的identifier。$persistent可以指定是否是持久化词典,持久化词典在这里可以理解为词典资源生命周期的不同,一般情况下$persistent=true或者默认缺省即可。在进行分词的时候,可以指定不同的词典。

$dict_file_1 = 'xdcit.db';
$dict_file_2 = 'mydict.db';

$dict1 = xs_open($dict_file);

xs_open($dict_file); 

array xs_split ( string $text int $split_method = 1 [, resource $dictionary_identifier ] ? )

对文本进行分词,可以指定分词方法和词典。分词方法目前有两种,一个是MMSEG算法(默认),一个是正向最大匹配,分别用常量 XS_SPLIT_MMSEG和XS_SPLIT_MMFWD表示。返回值是一个数组,包含所有切分好的词语。如果不指定词典,最后一次打开的词典将被使用。

<?php
$text="那只美丽的蝴蝶永远在我心中翩翩飞舞着。";
$dict_file = 'xdict.db';
$dict_res = xs_open($dict_file);
$words = xs_split($text);  /* 此处没有指定词典资源,默认使用最后一次打开的词典 */

$words1 = xs_split($text, XS_SPLIT_MMSEG, $dict_res);

mixed xs_search ( string $text [, int $search_method $dictionary_identifer ? ] ) 基于双数组trie树提供的一些功能,$search_method有四个常量表示:

XS_SEARCH_CP : darts的commonPrefixSearch封装,如果没有找到,返回false。

XS_SEARCH_EM : darts的exactMatchSearch封装,如果没有找到,返回false。

XS_SEARCH_ALL_SIMPLE : 按照词典返回所有词语词频总和,一个INT型数值。

XS_SEARCH_ALL_DETAIL : 按照词典返回所有词典的词频,并以数组形式返回每一个词语的详细统计。

XS_SEARCH_ALL_INDICT : 返回词典里的词语,可以去掉标点、特殊符号之类的,但是连续的数字和字母会默认自动返回(目前采用MMSEG算法,hard coding的,有需要可以改源码)。

如果不指定词典,最后一次打开的词典将被使用。

<?php
xs_open($dict_file);
$text="那只美丽的蝴蝶永远在我心中翩翩飞舞着。";
$word='翩翩飞舞';
$result=xs_search($word, XS_SEARCH_CP); /* common prefix search */
var_dump($result);
$result=xs_search($word, XS_SEARCH_EM); /* exact match search */
var_dump($result);
$result=xs_search($text, XS_SEARCH_ALL_SIMPLE);
var_dump($result);
$result=xs_search($text, XS_SEARCH_ALL_DETAIL);
var_dump($result);


string xs_simhash( array $tokens [, bool $rawoutput] )

计算simhash。这里所有token权重都是1,$tokens的例子如array('在', '这个', '世界')。$rawoput默认为0,即返回simhash的hex string形式,如md5, sha1函数一样;如过$rawoput为真,返回一个8字节的字符串,这个字符串实际上是一个64 bits的整型数,uint64_t,在一些特殊情况下可以用到。

int xs_hdist( string $simhash1, $string $simhash2)

计算汉明距离。

<?php
xs_open('xdict');
$text1="那只美丽的蝴蝶永远在我心中翩翩飞舞着。";
$text2="那只美丽的蝴蝶永远在我心中翩翩飞舞。";
$tokens1=xs_search($text1, XS_SEARCH_ALL_INDICT); /* 去掉标点等特殊符号,经过实验,计算simhash时,一些标点、换行、特殊符号等对效果影响较大 */
$tokens2=xs_search($text2, XS_SEARCH_ALL_INDICT);

$simhash1=xs_simhash($tokens1);
$simhash2=xs_simhash($tokens2);

echo "simhash1 is {$simhash1}\n";
echo "simhash2 is {$simhash2}\n";

$hamming_dist=xs_hdist($simhash1, $simhash2);

echo "bit-wise format:\n";
echo decbin(hexdec($simhash1)), "\n";
echo decbin(hexdec($simhash2)), "\n";

echo "hamming distance is {$hamming_dist}\n";

About

Automatically exported from code.google.com/p/xsplit

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published