PHP中文分词扩展 SCWS

1、scws简介

SCWS 是 Simple Chinese Word Segmentation 的首字母缩写（即：简易中文分词系统）。

这是一套基于词频词典的机械式中文分词引擎，它能将一整段的中文文本基本正确地切分成词。 词是中文的最小语素单位，但在书写时并不像英语会在词之间用空格分开， 所以如何准确并快速分词一直是中文分词的攻关难点。

SCWS 采用纯 C 语言开发，不依赖任何外部库函数，可直接使用动态链接库嵌入应用程序， 支持的中文编码包括 GBK、UTF-8 等。此外还提供了 PHP 扩展模块， 可在 PHP 中快速而方便地使用分词功能。

分词算法上并无太多创新成分，采用的是自己采集的词频词典，并辅以一定的专有名称，人名，地名， 数字年代等规则识别来达到基本分词，经小范围测试准确率在 90% ~ 95% 之间， 基本上能满足一些小型搜索引擎、关键字提取等场合运用。

2、scws下载与安装

scws支持windows平台以及linux/unix平台，本次简单以windwos下安装为例进行说明：

[1]下载php_scws.dll文件、XDB 词典文件、规则集文件，具体可以参考网址：http://www.xunsearch.com/scws/download.php

[2]将php_scws.dll文件拷贝到php安装路径下。

[3]将XDB 词典文件、规则集文件解压到相应盘符，例如D:/ceshi

[4]修改php.ini,增加一下代码：

extension = php_scws.dll
scws.default.charset = gbk
scws.default.fpath = "D:\ceshi\"

3、scws实现分词的简单案例

<?php
$sh = scws_open();
scws_set_charset($sh, 'gbk');
$text = "我是一个中国人，我会C++语言，我也有很多T恤衣服";
scws_send_text($sh, $text);
$top = scws_get_tops($sh, 5);
print_r($top);
?>