CppJieba是"结巴"中文分词的C++版本
代码细节详解请见 代码详解
- 源代码都写进头文件
src/*.hpp里，include即可使用。 - 支持
utf-8, gbk编码，但是推荐使用utf-8编码， 因为gbk编码缺少严格测试，慎用。 - 内置分词服务
server/server.cpp，在linux环境下可安装使用(可选)，可通过http参数选择不同分词算法进行分词。 - 项目自带较为完善的单元测试，核心功能中文分词(utf8)的稳定性接受过线上环境检验。
- 支持载自定义用户词典。
- 支持
linux,mac osx操作系统。 - 支持
Docker。 - 提供 C语言 api接口调用 cjieba。
g++ (version >= 4.1 recommended) or clang++;cmake (version >= 2.6 recommended);
git clone --depth=10 --branch=master git://github.com/yanyiwu/cppjieba.git
cd cppjieba
mkdir build
cd build
cmake ..
make有兴趣的可以跑跑测试(可选):
./test/test.run
./load_test
./demo
详细请看 test/demo.cpp.
服务默认使用 MixSegment 切词方式，如果想要修改成其他方式，请参考 server/server.cpp 源码文件。
将对应的方式的代码行注释去掉，重新编译即可。
./bin/cjserver ../conf/server_example.conf
curl "http://127.0.0.1:11200/?key=南京市长江大桥"
["南京市", "长江大桥"]
curl "http://127.0.0.1:11200/?key=南京市长江大桥&format=simple"
南京市 长江大桥
默认切词算法是MixSegment切词算法，如果想要使用其他算法切词，可以使用参数method来设置。 示例如下：
curl "http://127.0.0.1:11200/?key=南京市长江大桥&format=simple&method=MP"
curl "http://127.0.0.1:11200/?key=南京市长江大桥&format=simple&method=HMM"
curl "http://127.0.0.1:11200/?key=南京市长江大桥&format=simple&method=MIX"
curl "http://127.0.0.1:11200/?key=南京市长江大桥&format=simple&method=FULL"
curl "http://127.0.0.1:11200/?key=南京市长江大桥&format=simple&method=QUERY"
用 chrome 浏览器打开也行 ( chrome 设置默认编码是utf-8):
同时，也支持HTTP POST模式，使用如下调用:
curl -d "南京市长江大桥" "http://127.0.0.1:11200/"
返回结果如下：
["南京市", "长江大桥"]
因为 HTTP GET 请求有长度限制，如果需要请求长文的，请使用POST请求。
如果有需要安装使用的，可以按照如下操作：
sudo make install
cd /usr/local/cppjieba
./script/cjserver.start
./script/cjserver.stop
rm -rf /usr/local/cppjieba安装和启动
sudo docker pull yanyiwu/cppjieba
sudo docker run -d -P yanyiwu/cppjieba
sudo docker ps
CONTAINER ID IMAGE COMMAND CREATED STATUS PORTS NAMES
7c29325e9c20 yanyiwu/cppjieba:latest "./bin/cjserver ../t 4 minutes ago Up 4 minutes 0.0.0.0:49160->11200/tcp angry_wilson
可以看到正在运行的 Docker 容器(容器内运行着 cjserver 服务)，并且服务的端口号被映射为 0.0.0.0:49160 。
所以现在可以来一发测试了：
curl "http://0.0.0.0:49160/?key=南京市长江大桥"
预期结果如下：
["南京市", "长江大桥"]
MPSegment
Output:
我来到北京清华大学
我/来到/北京/清华大学
他来到了网易杭研大厦
他/来到/了/网易/杭/研/大厦
小明硕士毕业于中国科学院计算所，后在日本京都大学深造
小/明/硕士/毕业/于/中国科学院/计算所/，/后/在/日本京都大学/深造
HMMSegment
我来到北京清华大学
我来/到/北京/清华大学
他来到了网易杭研大厦
他来/到/了/网易/杭/研大厦
小明硕士毕业于中国科学院计算所，后在日本京都大学深造
小明/硕士/毕业于/中国/科学院/计算所/，/后/在/日/本/京/都/大/学/深/造
MixSegment
我来到北京清华大学
我/来到/北京/清华大学
他来到了网易杭研大厦
他/来到/了/网易/杭研/大厦
小明硕士毕业于中国科学院计算所，后在日本京都大学深造
小明/硕士/毕业/于/中国科学院/计算所/，/后/在/日本京都大学/深造
FullSegment
我来到北京清华大学
我/来到/北京/清华/清华大学/华大/大学
他来到了网易杭研大厦
他/来到/了/网易/杭/研/大厦
小明硕士毕业于中国科学院计算所，后在日本京都大学深造
小/明/硕士/毕业/于/中国/中国科学院/科学/科学院/学院/计算/计算所/，/后/在/日本/日本京都大学/京都/京都大学/大学/深造
QuerySegment
我来到北京清华大学
我/来到/北京/清华/清华大学/华大/大学
他来到了网易杭研大厦
他/来到/了/网易/杭研/大厦
小明硕士毕业于中国科学院计算所，后在日本京都大学深造
小明/硕士/毕业/于/中国/中国科学院/科学/科学院/学院/计算所/，/后/在/中国/中国科学院/科学/科学院/学院/日本/日本京都大学/京都/京都大学/大学/深造
以上依次是MP,HMM,Mix三种方法的效果。
可以看出效果最好的是Mix，也就是融合MP和HMM的切词算法。即可以准确切出词典已有的词，又可以切出像"杭研"这样的未登录词。
Full方法切出所有字典里的词语。
Query方法先使用Mix方法切词，对于切出来的较长的词再使用Full方法。
自定义词典示例请看dict/user.dict.utf8。
没有使用自定义用户词典时的结果:
令狐冲/是/云/计算/行业/的/专家
使用自定义用户词典时的结果:
令狐冲/是/云计算/行业/的/专家
我是拖拉机学院手扶拖拉机专业的。不用多久，我就会升职加薪，当上CEO，走上人生巅峰。
["CEO:11.7392", "升职:10.8562", "加薪:10.6426", "手扶拖拉机:10.0089", "巅峰:9.49396"]
详细请见 test/demo.cpp.
我是蓝翔技工拖拉机学院手扶拖拉机专业的。不用多久，我就会升职加薪，当上总经理，出任CEO，迎娶白富美，走上人生巅峰。
["我:r", "是:v", "蓝翔:x", "技工:n", "拖拉机:n", "学院:n", "手扶拖拉机:n", "专业:n", "的:uj", "。:x", "不用:v", "多久:m", "，:x", "我:r", "就:d", "会:v", "升职:v", "加薪:nr", "，:x", "当:t", "上:f", "总经理:n", "，:x", "出任:v", "CEO:eng", "，:x", "迎娶:v", "白富美:x", "，:x", "走上:v", "人生:n", "巅峰:n", "。:x"]
详细请看 test/demo.cpp.
支持自定义词性。
比如在(dict/user.dict.utf8)增加一行
蓝翔 nz
结果如下：
["我:r", "是:v", "蓝翔:nz", "技工:n", "拖拉机:n", "学院:n", "手扶拖拉机:n", "专业:n", "的:uj", "。:x", "不用:v", "多久:m", "，:x", "我:r", "就:d", "会:v", "升职:v", "加薪:nr", "，:x", "当:t", "上:f", "总经理:n", "，:x", "出任:v", "CEO:eng", "，:x", "迎娶:v", "白富美:x", "，:x", "走上:v", "人生:n", "巅峰:n", "。:x"]
收到邮件询问跨语言包装(ios应用开发)使用的问题，这方面我没有相关的经验，建议参考如下python使用cppjieba的项目：
jannson 开发的供 python模块调用的项目 cppjiebapy , 和相关讨论 cppjiebapy_discussion .
如果有需要在node.js中使用分词，不妨试一下NodeJieba。
如果有需要在处理中文文档的的相似度计算，不妨试一下simhash。
如果有需要在erlang中使用分词的话，不妨试一下exjieba。
如果有需要在R中使用分词的话，不妨试一下jiebaR。
libcppjieba 是最简单易懂的CppJieba头文件库使用示例。
KeywordServer 50行搭建一个中文关键词抽取服务。
如果有需要在Nginx中使用分词模块的话，不妨试一下ngx_http_cppjieba_module。
如果有需要在 C语言 中使用分词模块的话，不妨试一下cjieba。
如果有需要在 Ruby 中使用分词模块的话，不妨试一下jieba_rb。
如果有需要在 iOS 开发中使用分词模块的话，不妨参考一下 iosjieba。
http://cppjieba-webdemo.herokuapp.com/ (建议使用chrome打开)
"结巴"中文分词作者: SunJunyi
https://github.com/fxsjy/jieba