本程序为基于RMM中文分词思想,编写的简易中文分词,程序中还存在不少漏洞,望大神指点....优化了下乱码问题
-
/**
- * 基于RMM中文分词(逆向匹配法)
- * @author tangpan
- * @date 2013-10-12
- * @version 1.0.0
- **/
- class SplitWord {
- //public $Tag_dic = array(); //存储词典分词
- public $Rec_dic = array(); //存储重组的分词
- public $Split_char = ' '; //分隔符
- public $Source_str = ''; //存储源字符串
- public $Result_str = ''; //存储分词结果字符串
- public $limit_lenght = 2;
- public $Dic_maxLen = 28; //词典中词的最大长度
- public $Dic_minLen = 2; //词典中词的最小长度
-
- public function SplitWord() { //初始化对象,并自动执行成员方法
- $this->__construct();
- }
- public function __construct() {
- $dic_path = dirname(__FILE__).'/words.csv'; //预先载入词典以提高分词速度
- $fp = fopen( $dic_path, 'r' ); //读取词库中的词
- while( $line = fgets( $fp, 256 ) ) {
- $ws = explode(' ', $line); //对词库中的词进行分割
- $ws[0] = trim(iconv('utf-8','GBK',$ws[0])); //编码转换
- //$this->Tag_dic[$ws[0]] = true; //以词为索引,序号为值
- $this->Rec_dic[strlen($ws[0])][$ws[0]] = true; //以词长度和词分别为二维数组的索引,以n为值,来重组词库
- }
- fclose($fp); //关闭词库
- }
-
- /**
- * 设置源字符串
- * @param 要分词的字符串
- */
- public function SetSourceStr( $str ) {
- $str = iconv( 'utf-8', 'GBK', $str ); // 将utf-8编码字符转换为GBK编码
- $this->Source_str = $this->DealStr( $str ); //初步处理字符串
- }
-
- /**
- * 检查字符串
- * @param $str 源字符串
- * @return bool
- */
- public function checkStr( $str ) {
- if ( trim($str) == '' ) return; //若字符串为空,直接返回
- if ( ord( $str[0] ) > 0x80 ) return true; //是中文字符则返回true
- else return false; //不是中文字符则返回false
- }
-
-
- /**
- * RMM分词算法
- * @param $str 待处理字符串
- */
- public function SplitRMM( $str = '' ) {
- if ( trim( $str ) == '' ) return; //若字符串为空,则直接返回
- else $this->SetSourceStr( $str ); //字符串不为空时,设置源字符串
- if ( $this->Source_str == ' ' ) return; //当源字符串为空时,直接返回
- $split_words = explode( ' ', $this->Source_str ); //以空格来切分字符串
- $lenght = count( $split_words ); //计算数组长度
- for ( $i = $lenght - 1; $i >= 0; $i-- ) {
- if ( trim( $split_words[$i] ) == ' ' ) continue; //如果字符为空时,跳过后面的代码,直接进入下一次循环
- if ( $this->checkStr( $split_words[$i] ) ) { //检查字符串,如果是中文字符
- if ( strlen( $split_words[$i] ) >= $this->limit_lenght ) { //字符串长度大于限制大小时
- //对字符串进行逆向匹配
- $this->Result_str = $this->pregRmmSplit( $split_words[$i] ).$this->Split_char.$this->Result_str;
- }
- } else {
- $this->Result_str = $split_words[$i].$this->Split_char.$this->Result_str;
- }
- }
- $this->clear( $split_words ); //释放内存
- return iconv('GBK', 'utf-8', $this->Result_str);
- }
-
- /**
- * 对中文字符串进行逆向匹配方式分解
- * @param $str 字符串
- * @return $retStr 分词完成的字符串
- */
- public function pregRmmSplit( $str ) {
- if ( $str == ' ' ) return;
- $splen = strlen( $str );
- $Split_Result = array();
- for ( $j = $splen - 1; $j >= 0; $j--) { //逆向匹配字符
- if ( $splen Dic_minLen ) { //当字符长度大于词典中最小字符长度时
- if ( $j == 1 ) { //当长度为 1 时
- $Split_Result[] = substr( $str, 0, 2 );
- } else {
- $w = trim( substr( $str, 0, $this->Dic_minLen + 1 ) ); //截取前四个字符
- if ( $this->IsWord( $w ) ) { //判断词典中是否存在该字符
- $Split_Result[] = $w; //存在,则写入数组存储
- } else {
- $Split_Result[] = substr( $str, 2, 2 ); //逆向存储
- $Split_Result[] = substr( $str, 0, 2 );
- }
- }
- $j = -1; //关闭循环;
- break;
- }
- if ( $j >= $this->Dic_maxLen ) $max_len = $this->Dic_maxLen; //当字符长度大于词典最大词的长度时,赋值最大限制长度
- else $max_len = $j;
- for ( $k = $max_len; $k >= 0; $k = $k - 2 ) { //一次跳动为一个中文字符
- $w = trim( substr( $str, $j - $k, $k + 1 ) );
- if ( $this->IsWord( $w ) ) {
- $Split_Result[] = $w; //保存该词
- $j = $j - $k - 1; //位置移动到已匹配的字符的位置
- break; //分词成功即跳出当前循环,进入下一循环
- }
- }
- }
- $retStr = $this->resetWord( $Split_Result ); //重组字符串,并返回处理好的字符串
- $this->clear( $Split_Result ); //释放内存
- return $retStr;
- }
-
- /**
- * 重新识别并组合分词
- * @param $Split_Result 重组目标字符串
- * @return $ret_Str 重组字符串
- */
- public function resetWord( $Split_Result ) {
- if ( trim( $Split_Result[0] ) == '' ) return;
- $Len = count( $Split_Result ) - 1;
- $ret_Str = '';
- $spc = $this->Split_char;
- for ( $i = $Len; $i >= 0; $i-- ) {
- if ( trim( $Split_Result[$i] ) != '' ) {
- $Split_Result[$i] = iconv( 'GBK', 'utf-8', $Split_Result[$i] );
- $ret_Str .= $spc.$Split_Result[$i].' ';
- }
- }
- //$ret_Str = preg_replace('/^'.$spc.'/','、',$ret_Str);
- $ret_Str = iconv('utf-8','GBK',$ret_Str);
- return $ret_Str;
- }
-
- /**
- * 检查词典中是否存在某个词
- * @param $okWord 检查的词
- * @return bool;
- */
- public function IsWord( $okWord ) {
- $len = strlen( $okWord );
- if ( $len > $this->Dic_maxLen + 1 ) return false;
- else { //根据二维数组索引匹配,是否存在该词
- return isset($this->Rec_dic[$len][$okWord]);
- }
-
- }
-
- /**
- * 初步处理字符串(以空格来替换特殊字符)
- * @param $str 要处理的源字符串
- * @return $okStr 返回预处理好的字符串
- */
- public function DealStr( $str ) {
- $spc = $this->Split_char; //拷贝分隔符
- $slen = strlen( $str ); //计算字符的长度
- if ( $slen == 0 ) return; //如果字符长度为0,直接返回
- $okstr = ''; //初始化变量
- $prechar = 0; //字符判断变量(0-空白,1-英文,2-中文,3-符号)
- for ( $i = 0; $i $str_ord = ord( $str[$i] );
- if ( $str_ord if ( $str_ord if ( $str[$i] != '\r' && $str[$i] != '\n' )
- $okstr .= $spc;
- $prechar = 0;
- continue;
- } else if ( ereg('[@\.%#:\^\&_-]',$str[$i]) ) { //如果关键字的字符是数字或英文或特殊字符
- if ( $prechar == 0 ) { //当字符为空白符时
- $okstr .= $str[$i];
- $prechar = 3;
- } else {
- $okstr .= $spc.$str[$i]; //字符不为空白符时,在字符前串上空白符
- $prechar = 3;
- }
- } else if ( ereg('[0-9a-zA-Z]', $str[$i]) ) { //分割英文数字组合
- if ( (ereg('[0-9]',$str[$i-1]) && ereg('[a-zA-Z]',$str[$i]))
- || (ereg('[a-zA-Z]',$str[$i-1]) && ereg('[0-9]',$str[$i])) ) {
- $okstr .= $spc.$str[$i];
- } else {
- $okstr .= $str[$i];
- }
- }
- } else { //如果关键字的第二个字符是汉字
- if ( $prechar != 0 && $prechar != 2 ) //如果上一个字符为非中文和非空格,则加一个空格
- $okstr .= $spc;
- if ( isset( $str[$i+1] ) ) { //如果是中文字符
- $c = $str[$i].$str[$i+1]; //将两个字符串在一起,构成一个中文字
- $n = hexdec( bin2hex( $c ) ); //将ascii码转换成16进制,再转化为10进制
- if ( $n > 0xA13F && $n if ( $prechar != 0 ) $okstr .= $spc; //将中文标点替换为空
- //else $okstr .= $spc; //若前一个字符为空,则直接串上
- $prechar = 3;
- } else { //若不是中文标点
- $okstr .= $c;
- $prechar = 2;
- }
- $i++; // $i 再加 1 ,即使一次移动为一个中文字符
- }
- }
- }
- return $okstr;
- }
-
- /**
- * 释放内存
- * @param $data 暂存数据
- */
- public function clear( $data ) {
- unset( $data ); //删除暂存数据
- }
- }
- ?>
复制代码
|