推荐一款PHP可用的中文分词扩展

本文介绍《SCWS中文分词》的安装及使用，主要用于个人记录，如有需要，请访问SCWS官方网站。

使用前准备

首先要准备Linux系统及安装编译好的php，本人使用源码编译安装的php，具体信息如下（可能有些许报错，将就着看吧）

下载安装SCWS软件

1.下载scws源码

            wget http://www.xunsearch.com/scws/down/scws-1.2.3.tar.bz2

2.解压压缩包并安装

         tar xvjf scws-1.2.3.tar.bz2

3.编译安装

       ./configure --prefix=安装目录 && make && make install

       注：这里和通用的 GNU 软件安装方式一样，具体选项参数执行 ./configure --help 查看。

4. 顺利的话已经编译并安装成功了，本人没有遇到编译报错。

5.调用 安装目录下的bin/scws -h命令，进行测试

表示安装成功。

6.用 wget 下载并解压词典，或从主页下载然后自行解压再将 *.xdb 放入 /usr/local/scws/etc 目录中

      具体的下载地点请查看官方网站

7.进入scws的解压目录的phpext/中，注意，这里一定不要弄错，我就是在安装目录中一顿搜索，还以为下载错了安装包呢。执行

      phpize

      ./configure --with-scws=SCWS的安装目录

      make && make install

8.修改配置文件并载入模块

      

9.测试

   

10.php调用

        函数详解 --------

       1. `mixed scws_new(void)`

                创建并返回一个 `SimpleCWS` 类操作对象。

                         **返回值** 成功返回类操作句柄，失败返回 false。

      2. `mixed scws_open(void)`

           创建并返回一个分词操作句柄。

                       **返回值** 成功返回 scws 操作句柄，失败返回 false。

      3. `bool scws_close(resource scws_handle)` `SimpleCWS::close(void)`

            关闭一个已打开的 scws 分词操作句柄。

                  **参数 scws_handle** 即之前由 scws_open 打开的返回值

                  **返回值** 始终为 true > **注意** 后面的 API 中省去介绍 scws_handle 参数，含义和本函数相同。

      4. `bool scws_set_charset(resource scws_handle, string charset)` `bool SimpleCWS::set_charset(string charset)`

           设定分词词典、规则集、欲分文本字符串的字符集

                  **参数 charset** 要新设定的字符集，目前只支持 utf8 和 gbk。（注：默认为 gbk，utf8不要写成utf-8）

                  **返回值** 始终为 true

      5. `bool scws_add_dict(resource scws_handle, string dict_path [, int mode])` `bool SimpleCWS::add_dict(string dict_path [, int mode])`

           添加分词所用的词典，新加入的优先查找。

                   **参数 dict_path** 词典的路径，可以是相对路径或完全路径。（遵循安全模式下的 open_basedir） 

                   **参数 mode** 可选，表示加载的方式。

                   **返回值** 成功返回 true 失败返回 false

       6. `bool scws_set_dict(resource scws_handle, string dict_path [, int mode])` `bool SimpleCWS::set_dict(string dict_path [, int mode])`

             设定分词所用的词典并清除已存在的词典列表。

                   **参数 dict_path** 词典的路径，可以是相对路径或完全路径。（遵循安全模式下的 open_basedir）

                   **参数 mode** 可选，表示加载的方式。参见 `scws_add_dict`

                   **返回值** 成功返回 true 失败返回 false

7. `bool scws_set_rule(resource scws_handle, string rule_path)` `bool SimpleCWS::set_rule(string rule_path)`

         设定分词所用的新词识别规则集（用于人名、地名、数字时间年代等识别）。

                 **参数 rule_path** 规则集的路径，可以是相对路径或完全路径。（遵循安全模式下的 open_basedir）

                 **参数 mode** 可选，表示加载的方式。参见 `scws_add_dict` 

                 **返回值** 成功返回 true 失败返回 false

8. `bool scws_set_ignore(resource scws_handle, bool yes)` `bool SimpleCWS::set_ignore(bool yes)`

      设定分词返回结果时是否去除一些特殊的标点符号之类。

              **参数 yes** 设定值，如果为 true 则结果中不返回标点符号，如果为 false 则会返回，缺省为 false。 

              **返回值** 始终为 true

9. `bool scws_set_multi(resource scws_handle, int mode)` `bool SimpleCWS::set_multi(bool yes)`

      设定分词返回结果时是否复式分割，如“中国人”返回“中国＋人＋中国人”三个词。           

        **参数 mode** 复合分词法的级别，缺省不复合分词。取值由下面几个常量异或组合（也可用 1-15 来表示）： > > - SCWS_MULTI_SHORT (1)短词 > - SCWS_MULTI_DUALITY (2)二元（将相邻的2个单字组合成一个词） > - SCWS_MULTI_ZMAIN (4)重要单字 > - SCWS_MULTI_ZALL (8)全部单字

            **返回值** 始终为 true

 10. `bool scws_set_duality(resource scws_handle, bool yes)` `bool SimpleCWS::set_duality(bool yes)`

         设定是否将闲散文字自动以二字分词法聚合

                 **参数 yes** 设定值，如果为 true 则结果中多个单字会自动按二分法聚分，如果为 false 则不处理，缺省为 false。

                 **返回值** 始终为 true

11. `bool scws_send_text(resource scws_handle, string text)` `bool SimpleCWS::send_text(string text)`

       发送设定分词所要切割的文本。

                **参数 text** 要切分的文本的内容。

               **返回值** 成功返回 true 失败返回 false， **注意** 系统底层处理方式为对该文本增加一个引用，故不论多长的文本并不会造成内存浪费； > 执行本函数时，若未加载任何词典和规则集，则会自动试图在 ini 指定的缺省目录下查找缺省字符集的词典和规则集。

12. `mixed scws_get_result(resource scws_handle)` `mixed SimpleCWS::get_result()`

       根据 send_text 设定的文本内容，返回一系列切好的词汇。

                **返回值** 成功返回切好的词汇组成的数组，若无更多词汇，返回 false。返回的词汇包含的键值如下： > > - 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 > > **注意** 每次切词后本函数应该循环调用，直到返回 false 为止，因为程序每次返回的词数是不确定的。

13. `mixed scws_get_tops(resource scws_handle [, int limit [, string attr]])` `mixed SimpleCWS::get_tops([int limit [, string attr]])`

       根据 send_text 设定的文本内容，返回系统计算出来的最关键词汇列表。

               **参数 limit** 可选参数，返回的词的最大数量，缺省是 10

               **参数 attr** 可选参数，是一系列词性组成的字符串，各词性之间以半角的逗号隔开， > 这表示返回的词性必须在列表中，如果以~开头，则表示取反，词性必须不在列表中，缺省为NULL，返回全部词性，不过滤。 > **返回值** 成功返回统计好的的词汇组成的数组，返回 false。返回的词汇包含的键值如下： > > - word _string_ 词本身 > - times _int_ 词在文本中出现的次数 > - weight _float_ 该词计算后的权重 > - attr _string_ 词性

14. `mixed scws_get_words(resource scws_handle, string attr)` `mixed SimpleCWS::get_words(string attr)`

       根据 send_text 设定的文本内容，返回系统中词性符合要求的关键词汇。

               **参数 attr** 是一系列词性组成的字符串，各词性之间以半角的逗号隔开， > 这表示返回的词性必须在列表中，如果以~开头，则表示取反，词性必须不在列表中，若为空则返回全部词。

         **返回值** 成功返回符合要求词汇组成的数组，返回 false。返回的词汇包含的键值参见 `scws_get_result`

15. `bool scws_has_words(resource scws_handle, string attr)` `mixed SimpleCWS::has_words(string attr)`

      根据 send_text 设定的文本内容，返回系统中是否包括符合词性要求的关键词。

               **参数 attr** 是一系列词性组成的字符串，各词性之间以半角的逗号隔开， > 这表示返回的词性必须在列表中，如果以~开头，则表示取反，词性必须不在列表中，若为空则返回全部词。 

               **返回值** 如果有则返回 true，没有就返回 false。

16. `string scws_version(void)` `string SimpleCWS::version(void)`

      返回 scws 版本号名称信息（字符串）。

详细说明请见官网

说明

1. window系统中的SCWS支持有限，目前只支持PHP5.4及以下版本，不建议使用。
2. SCWS目前支持词汇28万词，最后更新时间为2016年2月24日，算是比较新了。（词汇数量没做测试，官网上说的）
3. 非常感谢SCWS的开发作者，另外，如果存在侵权行为，请及时通知，收到通知后立刻删除。