#CppJieba是"结巴"中文分词的C++版本

现在支持utf8,gbk编码的分词。

• master分支支持utf8编码
• gbk分支支持gbk编码

wget https://github.com/aszxqw/cppjieba/archive/master.zip -O cppjieba-master.zip
unzip cppjieba-master.zip
cd cppjieba-master
mkdir build
cd build
cmake ..
make
sudo make install

/usr/bin/cjseg.sh ../test/testlines.utf8

#启动
/etc/init.d/CppJieba/start.sh
#停止
/etc/init.d/CppJieba/stop.sh

然后用chrome浏览器打开http://127.0.0.1:11200/?key=南京市长江大桥 (用chrome的原因是chrome的默认编码就是utf-8)

或者用命令 curl "http://127.0.0.1:11200/?key=南京市长江大桥" (ubuntu中的curl安装命令sudo apt-get install curl)

cd build/
cat install_manifest.txt | sudo xargs rm -rf

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

我来自北京邮电大学。。。学号091111xx。。。
我/来自/北京邮电大学/。。。/学/号/091111xx/。。。

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
我来自北京邮电大学。。。学号091111xx。。。
我来/自北京/邮电大学/。。。/学号/091111xx/。。。

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
杭研
杭研
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
我来自北京邮电大学。。。学号091111xx。。。
我/来自/北京邮电大学/。。。/学号/091111xx/。。。

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。

本项目主要是如下目录组成：

核心目录，包含主要源代码。

Trie.cpp/Trie.h 负责载入词典的trie树，主要供Segment模块使用。

MPSegment.cpp/MPSegment.h (Maximum Probability)最大概率法:负责根据Trie树构建有向无环图和进行动态规划算法，是分词算法的核心。

HMMSegment.cpp/HMMSegment.h 是根据HMM模型来进行分词，主要算法思路是根据(B,E,M,S)四个状态来代表每个字的隐藏状态。 HMM模型由dicts/下面的hmm_model.utf8提供。 分词算法即viterbi算法。

TransCode.cpp/TransCode.h 负责转换编码类型，将utf8和gbk转换成uint16_t类型，也负责逆转换。

提供服务的框架代码，

详见： https://github.com/aszxqw/husky

主要是一些工具函数，例如字符串操作等。
直接include就可以使用。

详见： https://github.com/aszxqw/limonp

分词速度大概是 62M / 54sec = 1.15M/sec 测试环境: Intel(R) Xeon(R) CPU E5506 @ 2.13GHz

如果有运行问题或者任何疑问，欢迎联系 : wuyanyi09@gmail.com

"结巴中文"分词作者: SunJunyi
https://github.com/fxsjy/jieba

顾名思义，之所以叫CppJieba，是参照SunJunyi大神的Jieba分词Python程序写成的，所以饮水思源，再次感谢SunJunyi。