幾款開源的中文分詞系統(tǒng)

1、ICTCLAS – 全球最受歡迎的漢語分詞系統(tǒng)

        中文詞法分析是中文信息處理的基礎(chǔ)與關(guān)鍵。中國科學(xué)院計算技術(shù)研究所在多年研究工作積累的基礎(chǔ)上，研制出了漢語詞法分析系統(tǒng)ICTCLAS(Institute of Computing Technology, Chinese Lexical Analysis System)，主要功能包括中文分詞；詞性標注；命名實體識別；新詞識別；同時支持用戶詞典；支持繁體中文；支持GBK、UTF-8、UTF-7、UNICODE等多種編碼格式。我們先后精心打造五年，內(nèi)核升級6次，目前已經(jīng)升級到了ICTCLAS3.0。ICTCLAS3.0分詞速度單機996KB/s，分詞精度98.45%，API不超過200KB，各種詞典數(shù)據(jù)壓縮后不到3M，是當(dāng)前世界上最好的漢語詞法分析器。

系統(tǒng)平臺：Windows

開發(fā)語言：C/C++、Java、C#

使用方式：dll調(diào)用

演示網(wǎng)址：http://ictclas.org/test.html

開源官網(wǎng)：http://ictclas.org

晴楓附注：ICTCLAS有共享版、商業(yè)版、行業(yè)版，支持Linux平臺，但不開源。ICTCLAS已進入商用，且應(yīng)用范圍較廣，相信分詞效率出色。

2、HTTPCWS – 基于HTTP協(xié)議的開源中文分詞系統(tǒng)

        HTTPCWS 是一款基于HTTP協(xié)議的開源中文分詞系統(tǒng)，目前僅支持Linux系統(tǒng)。HTTPCWS 使用“ICTCLAS 3.0 2009共享版中文分詞算法”的API進行分詞處理，得出分詞結(jié)果。

        ICTCLAS是中國科學(xué)院計算技術(shù)研究所在多年研究工作積累的基礎(chǔ)上，基于多層隱馬模型研制出的漢語詞法分析系統(tǒng)，主要功能包括中文分詞；詞性標注；命名實體識別；新詞識別；同時支持用戶詞典。ICTCLAS經(jīng)過五年精心打造，內(nèi)核升級6次，目前已經(jīng)升級到了ICTCLAS3.0，分詞精度98.45%，各種詞典數(shù)據(jù)壓縮后不到3M。ICTCLAS在國內(nèi)973專家組組織的評測中活動獲得了第一名，在第一屆國際中文處理研究機構(gòu)SigHan組織的評測中都獲得了多項第一名，是當(dāng)前世界上最好的漢語詞法分析器。

        ICTCLAS 3.0 商業(yè)版是收費的，而免費提供的 ICTCLAS 3.0 共享版不開源，詞庫是根據(jù)人民日報一個月的語料得出的，很多詞語不存在。所以本人補充的一個19萬條詞語的自定義詞庫，對ICTCLAS分詞結(jié)果進行合并處理，輸出最終分詞結(jié)果。

        由于 ICTCLAS 3.0 2009 共享版只支持GBK編碼，因此，如果是UTF-8編碼的字符串，可以先用iconv函數(shù)轉(zhuǎn)換成GBK編碼，再用httpcws進行分詞處理，最后轉(zhuǎn)換回UTF-8編碼。

        HTTPCWS 軟件自身（包括httpcws.cpp源文件、dict/httpcws_dict.txt自定義詞庫）采用NewBSD開源協(xié)議，可以自由修改。HTTPCWS 使用的 ICTCLAS 共享版 API 及 dict/Data/ 目錄內(nèi)的語料庫，版權(quán)及著作權(quán)歸中國科學(xué)院計算技術(shù)研究所、ictclas.org所有，使用需遵循其相關(guān)協(xié)議。

系統(tǒng)平臺：Linux

開發(fā)語言：C++

使用方式：HTTP服務(wù)

演示網(wǎng)址：http://blog.s135.com/demo/httpcws/

開源官網(wǎng)：http://blog.s135.com/httpcws_v100/

晴楓附注：基于ICTCLAS，增加了19萬條詞語的擴展詞庫，并且構(gòu)建成HTTP服務(wù)的方式，使用上更加便捷。

3、SCWS – 簡易中文分詞系統(tǒng)

        SCWS 在概念上并無創(chuàng)新成分，采用的是自行采集的詞頻詞典，并輔以一定程度上的專有名稱、人名、地名、數(shù)字年代等規(guī)則集，經(jīng)小范圍測試大概準確率在 90% ~ 95% 之間，已能基本滿足一些中小型搜索引擎、關(guān)鍵字提取等場合運用。 SCWS 采用純 C 代碼開發(fā)，以 Unix-Like OS 為主要平臺環(huán)境，提供共享函數(shù)庫，方便植入各種現(xiàn)有軟件系統(tǒng)。此外它支持 GBK，UTF-8，BIG5 等漢字編碼，切詞效率高。

系統(tǒng)平臺：Windows/Unix

開發(fā)語言：C

使用方式：PHP擴展

演示網(wǎng)址：http://www.ftphp.com/scws/demo.php

開源官網(wǎng)：http://www.ftphp.com/scws/

晴楓附注：作為PHP擴展，容易與現(xiàn)有的基于PHP架構(gòu)的Web系統(tǒng)繼續(xù)集成，是其一大優(yōu)勢。

4、PhpanAlysis - PHP無組件分詞系統(tǒng)

        PhpanAlysis分詞系統(tǒng)是基于字符串匹配的分詞方法 ，這種方法又叫做機械分詞方法，它是按照一定的策略將待分析的漢字串與一個“充分大的”機器詞典中的詞條進行配，若在詞典中找到某個字符串，則匹配成功（識別出一個詞）。按照掃描方向的不同，串匹配分詞方法可以分為正向匹配 和逆向匹配；按照不同長度優(yōu)先匹配的情況，可以分為最大（最長）匹配和最?。ㄗ疃蹋┢ヅ洌话凑帐欠衽c詞性標注過程相結(jié)合，又可以分為單純分詞方法和分詞與標注相結(jié)合的一體化方法。 

系統(tǒng)平臺：PHP環(huán)境

開發(fā)語言：PHP

使用方式：HTTP服務(wù)

演示網(wǎng)址：http://www.itgrass.com/phpanalysis/

開源官網(wǎng)：http://www.itgrass.com/phpanalysis/

晴楓附注：實現(xiàn)簡單，容易使用，能做一些簡單應(yīng)用，但大數(shù)據(jù)量的計算效率不如前幾種。

試用了幾個系統(tǒng)，基本分詞功能都沒什么問題，只是在個別一些詞的劃分上存在一些差異；對于詞性的確定，系統(tǒng)間有所不同。

5 、MMSEG4J　　

        MMSEG4J基于Java的開源中文分詞組件，提供lucene和solr 接口

　　1）、mmseg4j 用 Chih-Hao Tsai 的 MMSeg 算法實現(xiàn)的中文分詞器，并實現(xiàn) lucene 的 analyzer 和 solr 的TokenizerFactory 以方便在Lucene和Solr中使用。

　　2）、MMSeg 算法有兩種分詞方法：Simple和Complex，都是基于正向最大匹配。Complex 加了四個規(guī)則過慮。官方說：詞語的正確識別率達到了 98.41%。mmseg4j 已經(jīng)實現(xiàn)了這兩種分詞算法。

6、盤古分詞　　

        盤古分詞是一個基于.net 平臺的開源中文分詞組件，提供lucene(.net 版本) 和HubbleDotNet的接口

　　高效：Core Duo 1.8 GHz 下單線程 分詞速度為 390K 字符每秒

　　準確：盤古分詞采用字典和統(tǒng)計結(jié)合的分詞算法，分詞準確率較高。

　　功能：盤古分詞提供中文人名識別，簡繁混合分詞，多元分詞，英文詞根化，強制一元分詞，詞頻優(yōu)先分詞，停用詞過濾，英文專名提取等一系列功能。

7、IKAnalyzer  開源的輕量級中文分詞工具包

        IKAnalyzer 是一個開源的，基于java語言開發(fā)的輕量級的中文分詞工具包。從2006年12月推出1.0版開始，IKAnalyzer已經(jīng)推出 了3個大版本。最初，它是以開源項目Luence為應(yīng)用主體的，結(jié)合詞典分詞和文法分析算法的中文分詞組件。新版本的IKAnalyzer3.0則發(fā)展為 面向Java的公用分詞組件，獨立于Lucene項目，同時提供了對Lucene的默認優(yōu)化實現(xiàn)。

        IKAnalyzer3.0特性:

采用了特有的“正向迭代最細粒度切分算法“，具有60萬字/秒的高速處理能力。

采用了多子處理器分析模式，支持：英文字母（IP地址、Email、URL）、數(shù)字（日期，常用中文數(shù)量詞，羅馬數(shù)字，科學(xué)計數(shù)法），中文詞匯（姓名、地名處理）等分詞處理。優(yōu)化的詞典存儲，更小的內(nèi)存占用。

支持用戶詞典擴展定義，針對Lucene全文檢索優(yōu)化的查詢分析器IKQueryParser(作者吐血推薦)；采用歧義分析算法優(yōu)化查詢關(guān)鍵字的搜索排列組合，能極大的提高Lucene檢索的命中率。