用PHP简易实现中文分词

hehe, 用PHP去做中文分词并不是一个太明智的举动, :p

下面是我根据网上找的一个字典档, 简易实现的一个分词程序.

(注: 字典档是gdbm格式, key是词 value是词频, 约4万个常用词)

完整的程序演示及下载请参见: http://root.twomice.net/my_php4/dict/chinese_segment.php

<?php
//中文分词系统简易实现办法
//切句单位:凡是ascii值<128的字符
//常见双字节符号:《》，。、？“”；：！￥……　％＄＃＠＾＆＊（）［］｛｝｜＼／＂＇
//可以考虑加入超常见中文字: 的 和 是 不 了 啊 (不过有特殊字比如 "打的" "郑和" .. :p)

//计算时间
function getmicrotime(){
list($usec,$sec) = explode(" ",microtime());
return ((float)$usec + (float)$sec);
}
$time_start =getmicrotime();


//词典类
class ch_dictionary{
var $_id;

function ch_dictionary($fname= "") {
if ($fname !="") {
$this->load($fname);
}
}

// 根据文件名载入字典 (gdbm数据档案)
function load($fname) {
$this->_id= dba_popen($fname,"r", "gdbm");
if (!$this->_id) {
echo "failed to open the dictionary.($fname)<br>/n";
exit;
}
}

// 根据词语返回频率, 不存在返回-1
function find($word) {
$freq = dba_fetch($word,$this->_id);
if (is_bool($freq))$freq = -1;
return $freq;
}
}

// 分词类: (逆向)
// 先将输入的字串正向切成句子, 然后一句一句的分词, 返回由词组成的数组.
class ch_word_split{
var $_mb_mark_list;// 常见切分句子的全角标点
var $_word_maxlen;// 单个词最大可能长度(汉字字数)
var $_dic;// 词典...
var $_ignore_mark;// true or false

function ch_word_split() {
$this->_mb_mark_list= array("，","　","。","！","？","：","……","、","“","”","《","》","（","）");
$this->_word_maxlen= 12;// 12个汉字
$this->_dic= NULL;
$this->_ignore_mark= true;
}

// 设定字典
function set_dic($fname) {
$this->_dic= new ch_dictionary($fname);
}

function set_ignore_mark($set) {
if (is_bool($set))$this->_ignore_mark= $set;
}

// 将字串切成句子再加以切分成词
function string_split($str,$func = "") {
$ret = array();

if ($func =="" || !function_exists($func))$func = "";

$len = strlen($str);
$qtr = "";

for ($i = 0; $i< $len;$i++) {
$char = $str[$i];

if (ord($char) <0xa1) {
// 读取到一个半角字符
if (!empty($qtr)) {
$tmp = $this->_sen_split($qtr);
$qtr = "";

if ($func !="") call_user_func($func,$tmp);
else $ret =array_merge($ret,$tmp);
}

// 如果是单词或数字. 根据 char 将数据读取到 >= 0xa1为止
if ($this->_is_alnum($char)) {
do {
if (($i+1) >=$len) break;
$char2 = substr($str,$i + 1, 1);
if (!$this->_is_alnum($char2)) break;

$char .= $char2;
$i++;
} while (1);

if ($func !="") call_user_func($func, array($char));
else $ret[] =$char;
}
elseif ($char ==' ' || $char == "/t") {
// nothing.
continue;
}
elseif (!$this->_ignore_mark) {
if ($func !="") call_user_func($func, array($char));
else $ret[] =$char;
}
}
else {
// 双字节字符.
$i++;
$char .= $str[$i];

if (in_array($char,$this->_mb_mark_list)) {
if (!empty($qtr)) {
$tmp = $this->_sen_split($qtr);
$qtr = "";

if ($func !="") call_user_func($func,$tmp);
else $ret =array_merge($ret,$tmp);
}

if (!$this->_ignore_mark) {
if ($func !="") call_user_func($func, array($char));
else $ret[] =$char;
}
}
else {
$qtr .= $char;
}
}
}

if (strlen($qtr) >0) {
$tmp = $this->_sen_split($qtr);

if ($func !="") call_user_func($func,$tmp);
else $ret =array_merge($ret,$tmp);
}

// return value
if ($func == "") {
return $ret;
}
else {
return true;
}
}

// 将句子切成词, 逆向
function _sen_split($sen) {
$len = strlen($sen) /2;
$ret = array();

for ($i = $len - 1;$i >= 0; $i--) {
// 如: 这是一个分词程序

// 先取得最后一个字
$w = substr($sen,$i * 2, 2);

// 最终的词长
$wlen = 1;

// 开始逆向匹配到最大长度.
$lf = 0; // last freq
for ($j = 1;$j <= $this->_word_maxlen;$j++) {
$o = $i - $j;
if ($o < 0) break;
$w2 = substr($sen,$o * 2, ($j+ 1) *2);

$tmp_f = $this->_dic->find($w2);
//echo "{$i}.{$j}: $w2 (f: $tmp_f)/n";
if ($tmp_f > $lf) {
$lf = $tmp_f;
$wlen = $j + 1;
$w = $w2;
}
}
// 根据 $wlen 将 $i 偏移了
$i = $i - $wlen+ 1;
array_push($ret,$w);
}

$ret = array_reverse($ret);
return $ret;
}

// 判断字符是不是 字母数字_- [0-9a-z_-]
function _is_alnum($char) {
$ord = ord($char);
if ($ord ==45 || $ord == 95|| ($ord >= 48 &&$ord <= 57))
return true;
if (($ord >=97 && $ord <= 122) || ($ord>= 65 && $ord <=90))
return true;
return false;
}
}


// 分词后的回调函数
function call_back($ar) {
foreach ($ar as$tmp) {
echo $tmp ." ";
//flush();
}
}

// 实例(如果没有输入就从 sample.txt中读取):
$wp = new ch_word_split();
$wp->set_dic("dic.db");

if (!isset($_REQUEST['testdat']) || empty($_REQUEST['testdat'])) {
$data = file_get_contents("sample.txt");
}
else {
$data = & $_REQUEST['testdat'];
}

// output
echo "<h3>简易分词演示</h3>/n";
echo "<hr>/n";
echo "分词结果(" .strlen($data) ." chars): <br>/n<textarea cols=100 rows=10>/n";

// 设定是否忽略不返回分词符号(标点,常用字)
$wp->set_ignore_mark(false);

// 执行切分, 如果没有设置 callback 函数, 则返回由词组成的array
$wp->string_split($data,"call_back");

$time_end =getmicrotime();
$time = $time_end - $time_start;

echo "</textarea><br>/n本次分词耗时: $time seconds <br>/n";
?>
<hr>
<form method=post>
您也可以在下面文本框中输入文字，提交后试验分词效果:<br>
<textarea name=testdat cols=100 rows=10></textarea><br>
<input type=submit>
</form>
<hr>
附: <br>
<li>本程序源码: <a href="chinese_segment.phps">chinese_segment.php</a> (简易实现方式)</li>
<li>需要的字典: <a href="dic.db">dic.db</a> (gdbm格式)</li>

附：
（简易中文分词实现完整代码及字典下载）
http://php.twomice.net/show_hdr.php?xname=BORRG11&dname=P7SRG11&xpos=19
（C版简易中文分词服务程序(cscwsd)）
http://php.twomice.net/show_hdr.php?xname=BORRG11&dname=P7SRG11&xpos=40