PHP中文分词的简单实现

对于中文搜索引擎来说， 中文分词是整个系统最基础的部分之一， 因为目前基于单字的中文搜索算法并不是太好。 当然， 本文不是要对中文搜索引擎做研究， 而是分享如果用 PHP 做一个站内搜索引擎。 本文是这个系统中的一篇。

我使用的分词工具是中科院计算所的开源版本的 ICTCLAS。 另外还有开源的 Bamboo， 我随后也会对该工具进行调研。

从 ICTCLAS 出发是个不错的选择， 因为其算法传播比较广泛， 有公开的学术文档， 并且编译简单， 库依赖少。 但目前只提供了 C/C++， Java 和 C# 版本的代码， 并没有 PHP 版本的代码。 怎么办呢? 也许可以学习它的 C/C++ 源码和学术文档中， 然后再开发一个 PHP 版本出来。 不过， 我要使用进程间通信， 在 PHP 代码里调用 C/C++ 版本的可执行文件。

下载源码解压后， 在有 C++ 开发库和编译环境的机器上直接 make ictclas 即可。 它的 Makefile 脚本有个错误， 执行测试的代码没有加上'。/'， 当然不能像 Windows 下执行成功了。 但也不影响编译结果。

进行中文分词的 PHP 类就在下面了， 用 proc_open() 函数来执行分词程序， 并通过管道和其交互， 输入要进行分词的文本， 读取分词结果。

<?php
class NLP{
    private static $cmd_path;

    // 不以\'/\'结尾
    static function set_cmd_path($path){
        self::$cmd_path = $path;
    }

    private function cmd($str){
        $de orspec = array(
           0 => array(\"pipe\", \"r\"),
           1 => array(\"pipe\", \"w\"),
        );
        $cmd = self::$cmd_path . \"/ictclas\";
        $process = proc_open($cmd, $de orspec, $pipes);

        if (is_resource($process)) {
            $str = iconv(\'utf-8\', \'gbk\', $str);
            fwrite($pipes[0], $str);
            $output = stream_get_contents($pipes[1]);

            fclose($pipes[0]);
            fclose($pipes[1]);

            $return_value = proc_close($process);
        }

        /*
        $cmd = \"printf \'$input\' | \" . self::$cmd_path . \"/ictclas\";
        exec($cmd, $output, $ret);
        $output = join(\"\\n\", $output);
        */

        $output = trim($output);
        $output = iconv(\'gbk\', \'utf-8\', $output);

        return $output;
    }

    /**
     * 进行分词, 返回词语列表.
     */
    function tokenize($str){
        $tokens = array();

        $output = self::cmd($input);
        if($output){
            $ps = preg_split(\'/\\s+/\', $output);
            foreach($ps as $p){
                list($seg, $tag) = explode(\'/\', $p);
                $item = array(
                    \'seg\' => $seg,
                    \'tag\' => $tag,
                    );
                $tokens[] = $item;
            }
        }

        return $tokens;
    }
}
NLP::set_cmd_path(dirname(__FILE__));
?>

使用起来很简单(确保 ICTCLAS 编译后的可执行文件和词典在当前目录)：

<?php
require_once(\'NLP.php\');
var_dump(NLP::tokenize(\'Hello, World!\'));
?>