PHP 对中文进行分词的两种方法

• 第一种方法：使用 PHPAnalysis

• 第二种方法：安装扩展之结巴

  • 结巴是一个php拓展，使用过程中需要自己编译安装拓展，遇到的问题是在编译安装拓展的时候要使用 phpize ，这个是个什么东西...看看官方怎么说的：Installation of PECL extensions，原来phpize命令是用来为PHP扩展准备构建环境。明白是什么了，那么问题来了。。。官方没有说明是要怎么安装的，其实很简单，只要执行 apt install php7.0-dev 就搞定啦，不过要重新启动 php7.0-fpm 才可以生效咧。

  • 然后按着github上的说明完成配置 结巴中文分词之php扩展
    [结巴中文分词之php扩展，适用php5,php7] ，完成之后就可以愉快的玩耍啦~~

  git clone https://github.com/jonnywang/phpjieba.git
  cd phpjieba/cjieba
  make
  
  cd ..
  phpize
  ./configure
  make
  make install
  

  然后在php.ini中添加

  extension=jieba.so
  jieba.enable=1
  jieba.dict_path=/opt/phpjieba/cjieba/dict (这是我编译时的文件路径，你需要换成你自己的)
  

  • 安装完之后的使用可以说是相当简单了，想要分词的时候只要结巴一下就好了：

   用了 [1] => 结巴 [2] => 一下 )
  
  $result = jieba('结巴一下，就可以用了！', 1);
  print_r($result);
  //Array ( [0] => 结巴 [1] => 一下 [2] => ， [3] => 就 [4] => 可以 [5] => 用了 [6] => ！ )
  
  $result = jieba('结巴一下，就可以用了！', 2);
  print_r($result);
  // Array ( [结巴] => n [一下] => m [，] => x [就] => d [可以] => c [用了] => x [！] => x )
  
  $result = jieba('结巴一下，就可以用了！');
  print_r($result);
  // Array ( [0] => 用了 [1] => 结巴 [2] => 一下 )
  

  • jieba 的时候可以传入两个参数，第一个参数是 string 类型的，一个中文的字符串，第二个参数是选择结巴的类型，有三个参数可以选， 0、1、2，其中 0 是提取关键字，1 是切字分词， 2 是获取词性标注。
    可以看出默认的时候是进行提取关键词的操作。

  • 缺点

    • 会降低php的性能，可以明显感觉到第一次配置好拓展之后开启 PHP-FPM 的速度会慢很多。不过不影响之后使用的性能。
    • 因为加载的字典文件过大，从而占用过多，可能会造成php-fpm进程被迫中止，需要添加swap交换内存。附上添加swap内存的方法。这里添加的是1G的内存（count=1024）

    /bin/dd if=/dev/zero of=/var/swap.1 bs=1M count=1024
    /sbin/mkswap /var/swap.1
    /sbin/swapon /var/swap.1