php 中文分词PSCWS4使用说明

分词的这个技术，挺重要的，在有些方面起着非常重要的作用，这里摘自一博友的文章

PSCWS4 类对应的文件为 pscws4.class.php。在 PHP 代码中的调用方法如下：

//加入头文件require './pscws4/pscws4.class.php';
//建立分词类对像, 参数为字符集, 默认为 gbk,
//可在后面调用 set_charset 改变
$pscws = new PSCWS4('utf8');
 
//接下来, 设定一些分词参数或选项, set_dict 是必须的,
//若想智能识别人名等需要 set_rule
//包括: set_charset, set_dict, set_rule,
//set_ignore, set_multi, set_debug, set_duality ... 等方法
 
$pscws->set_dict('./pscws4/etc/dict.xdb');
$pscws->set_rule('./pscws4/etc/rules.ini');
 
//分词调用 send_text() 将待分词的字符串传入,
//紧接着循环调用 get_result() 方法取回一系列分好的词
//直到 get_result() 返回 false 为止
//返回的词是一个关联数组, 包含: word 词本身, idf 逆词率(重),//off 在text中的偏移, len 长度, attr 词性
 $pscws->send_text($text);
 while ($some = $pscws->get_result()){
  foreach ($some as $word){
  print_r($word);
 }
}
//在send_te

— 类方法完全手册 —

(注: 构造函数可传入字符集作为参数, 这与另外调用 set_charset 效果是一样的) 

class PSCWS4 { 

void set_charset(string charset); 
说明：设定分词词典、规则集、欲分文本字符串的字符集，系统缺省是 gbk 字集。 
返回：无。 
参数：charset 是设定的字符集，目前只支持 utf8 和 gbk。（注：big5 也可作 gbk 处理） 
注意：输入要切分的文本，词典，规则文件这三者的字符集必须统一为该 charset 值。 

bool set_dict(string dict_fpath); 
说明：设置分词引擎所采用的词典文件。 
参数：dict_path 是词典的路径，可以是相对路径或完全路径。 
返回：成功返回 true 失败返回 false。 
错误：若有错误会给出 WARNING 级的错误提示。 

void set_rule(string rule_path); 
说明：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）。 
返回：无。 
参数：rule_path 是规则集的路径，可以是相对路径或完全路径。 

void set_ignore(bool yes) 
说明：设定分词返回结果时是否去除一些特殊的标点符号之类。 
返回：无。 
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。 

void set_multi(int mode); 
说明：设定分词返回结果时是否复合分割，如“中国人”返回“中国＋人＋中国人”三个词。 
返回：无。 
参数：mode 设定值，1 ~ 15。 
按位与的 1 | 2 | 4 | 8 分别表示: 短词 | 二元 | 主要单字 | 所有单字 

void set_duality(bool yes); 
说明：设定是否将闲散文字自动以二字分词法聚合。 
返回：无。 
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。 

void set_debug(bool yes); 
说明：设置分词过程是否输出N-Path分词过程的调试信息。 
参数：yes 设定值，如果为 true 则分词过程中对于多路径分法分给出提示信息。 
返回：无。 

void send_text(string text) 
说明：发送设定分词所要切割的文本。 
返回：无。 
参数：text 是文本的内容。 
注意：执行本函数时，请先加载词典和规则集文件并设好相关选项。 

mixed get_result(void) 
说明：根据 send_text 设定的文本内容，返回一系列切好的词汇。 
返回：成功返回切好的词汇组成的数组， 若无更多词汇，返回 false。 
参数：无。 
注意：每次切割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。 
返回的词汇包含的键值有：word (string, 词本身) idf (folat, 逆文本词频) off (int, 在文本中的位置) attr(string, 词性) 

mixed get_tops( [int limit [, string attr]] ) 
说明：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。 
返回：成功返回切好的词汇组成的数组， 若无更多词汇，返回 false。 
参数：limit 可选参数，返回的词的最大数量，缺省是 10； 
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， 
缺省为空，返回全部词性，不过滤。 

string version(void); 
说明：返回本版号。 
返回：版本号（字符串）。 
参数：无。 

void close(void); 
说明：关闭释放资源，使用结束后可以手工调用该函数或等系统自动回收。 
返回：无。 
参数：无。 
};

以下是相关资源的下载地址： 
PSCWS4: http://www.ftphp.com/scws/down/pscws4-20081221.tar.bz2 
规则集: http://www.ftphp.com/scws/down/scws-rules-all.zip 
词典系列:http://www.ftphp.com/scws/down/scws-dict-chs-gbk.tar.bz2 
http://www.ftphp.com/scws/down/scws-dict-chs-utf8.tar.bz2