中文分词算法2.txt

中文分词分割程序Chinese word segmentation procedure for the carving

60                _rootTable.Add(s.Length,_newHashtable);
61            }
62            Hashtable _tempTable = (Hashtable)_rootTable[s.Length];
63            if (!_tempTable.ContainsKey(s))
64            {
65                _tempTable.Add(s,1);
66            }
67            else
68            {
69                _tempTable[s]=(int)_tempTable[s]+1;
70            }
71        }
72    }
 

ChineseParse.cs //分词器

 1    /**//// <summary>
 2    /// 中文分词器。
 3    /// </summary>
 4    public class ChineseParse
 5    {
 6        private static ChineseWordsHashCountSet _countTable;
 7
 8        static ChineseParse()
 9        {
10            _countTable = new ChineseWordsHashCountSet();
11            InitFromFile("ChineseDictionary.txt");
12        }
13
14        /**//// <summary>
15        /// 从指定的文件中初始化中文词语字典和字符串次数字典。
16        /// </summary>
17        /// <param name="fileName">文件名</param>
18        private static void InitFromFile(string fileName)
19        {
20            string path = Directory.GetCurrentDirectory() +@"\" + fileName;
21            if (File.Exists(path))
22            {
23                using (StreamReader sr = File.OpenText(path)) 
24                {
25                    string s = "";
26                    while ((s = sr.ReadLine()) != null) 
27                    {
28                        ChineseWordUnit _tempUnit = InitUnit(s);
29                        _countTable.InsertWord(_tempUnit.Word);
30                    }
31                }
32            }
33        }
34
35        /**//// <summary>
36        /// 将一个字符串解析为ChineseWordUnit。
37        /// </summary>
38        /// <param name="s">字符串</param>
39        /// <returns>解析得到的ChineseWordUnit</returns>
40        private static ChineseWordUnit InitUnit(string s)
41        {
42            Regex reg = new Regex(@"\s+");
43            string[] temp = reg.Split(s);
44            if (temp.Length!=2)
45            {
46                throw new Exception("字符串解析错误："+s);
47            }
48            return new ChineseWordUnit(temp[0],Int32.Parse(temp[1]));
49        }
50
51        /**//// <summary>
52        /// 分析输入的字符串，将其切割成一个个的词语。
53        /// </summary>
54        /// <param name="s">待切割的字符串</param>
55        /// <returns>所切割得到的中文词语数组</returns>
56        public static string[] ParseChinese(string s)
57        {
58            int _length = s.Length;
59            string _temp = String.Empty;
60            ArrayList _words = new ArrayList();
61
62            for(int i=0;i<s.Length;)
63            {
64                _temp = s.Substring(i,1);
65                if (_countTable.GetCount(_temp)>1)
66                {
67                    int j=2;
68
69                    for (;i+j<s.Length+1&&_countTable.GetCount(s.Substring(i,j))>0;j++)
70                    {
71                    }
72                    _temp = s.Substring(i,j-1);
73                    i = i + j - 2;
74                }
75                i++;
76                _words.Add(_temp);
77            }
78
79            string[] _tempStringArray = new string[_words.Count];
80            _words.CopyTo(_tempStringArray);
81            return _tempStringArray;
82        }
83    }

四、测试

和海量分词演示程序对比测试:

Case 1:　　新浪体育讯　在被尤文淘汰之后，皇马主帅博斯克拒绝接受媒体对球队后防线的批评，同时还为自己排出的首发阵容进行了辩护。“失利是全队的责任，而不仅仅是后防线该受指责，”博斯克说，“我并不认为我们踢得一塌糊涂。”“我们进入了半决赛，而且在晋级的道路上一路奋战。即使是今天的比赛我们也有几个翻身的机会，但我们面对的对手非常强大，他们踢得非常好。”“我们的球迷应该为过去几个赛季里我们在冠军杯中的表现感到骄傲。”博斯克还说。对于博斯克在首发中排出了久疏战阵的坎比亚索，赛后有记者提出了质疑，认为完全应该将队内的另一名球员帕文派遣上场以加强后卫线。对于这一疑议，博斯克拒绝承担所谓的“责任”，认为球队的首发没有问题。“我们按照整个赛季以来的方式做了，对于人员上的变化我没有什么可说的。”对于球队在本赛季的前景，博斯克表示皇马还有西甲联赛的冠军作为目标。“皇家马德里在冠军杯中战斗到了最后，我们在联赛中也将这么做。”

海量分词结果:

　 　 新浪 体育 讯 　 在 被 尤文 淘汰 之后 ， 皇马 主帅 博斯克 拒绝 接受 媒体 对 球队 后防线 的 批评 ， 同时 还 为 自己 排出 的 首发 阵容 进行 了 辩护 。 “ 失利 是 全队 的 责任 ， 而 不 仅仅 是 后防线 该 受 指责 ， ” 博斯克 说 ， “ 我 并 不 认为 我们 踢 得 一塌糊涂 。” “ 我们 进入 了 半决赛 ， 而且 在 晋级 的 道路 上 一路 奋战 。 即使 是 今天 的 比赛 我们 也 有 几个 翻身 的 机会 ， 但 我们 面对 的 对手 非常 强大 ， 他们 踢 得 非常 好 。” “ 我们 的 球迷 应该 为 过去 几个 赛季 里 我们 在 冠军 杯中 的 表现 感到 骄傲 。” 博斯克 还 说 。 对于 博斯克 在 首发 中 排出 了 久 疏 战阵 的 坎比亚索 ， 赛后 有 记者 提出 了 质疑 ， 认为 完全 应该 将 队 内 的 另 一名 球员 帕文 派遣 上场 以 加强 后卫线 。 对于 这 一 疑 议 ， 博斯克 拒绝 承担 所谓 的 “ 责任 ” ， 认为 球队 的 首发 没有 问题 。 “ 我们 按照 整个 赛季 以来 的 方式 做 了 ， 对于 人员 上 的 变化 我 没有 什么 可 说 的 。” 对于 球队 在 本 赛季 的 前景 ， 博斯克 表示 皇马 还有 西 甲 联赛 的 冠军 作为 目标 。 “ 皇家 马德里 在 冠军 杯中 战斗 到 了 最后 ， 我们 在 联赛 中 也 将 这么 做 。” 

ChineseParse分词结果:

　 　 新 浪 体育 讯 　 在 被 尤 文 淘汰 之后 ， 皇 马 主帅 博斯 克 拒绝 接受 媒体 对 球队 后防线 的 批评 ， 同时 还 为 自己 排 出 的 首发 阵容 进行 了 辩护 。“ 失利 是 全队 的 责任 ， 而 不仅仅 是 后防线 该 受 指责 ， ” 博斯 克 说 ， “ 我 并 不 认为 我们 踢 得 一塌糊涂 。 ” “ 我们 进入 了 半决赛 ， 而且 在 晋级 的 道路 上一 路 奋战 。 即使 是 今天 的 比赛 我们 也 有 几 个 翻身 的 机会 ， 但 我们 面对 的 对手 非常 强大 ， 他们 踢 得 非常 好 。 ” “ 我们 的 球迷 应该 为 过 去 几 个 赛季 里 我们 在 冠军杯 中 的 表现 感到 骄傲 。 ” 博斯 克 还 说 。对于 博斯 克 在 首发 中排 出 了 久 疏 战 阵 的 坎 比 亚 索 ， 赛后 有 记者 提出 了 质疑 ， 认为 完全 应该 将 队 内 的 另一 名 球员 帕 文 派遣 上场 以 加强 后卫线 。 对于 这一 疑 议 ， 博斯 克 拒绝 承担 所谓 的 “ 责任 ” ， 认为 球队 的 首发 没有 问题 。 “ 我们 按照 整个 赛季 以来 的 方式 做 了 ， 对于 人员 上 的 变化 我 没有 什么 可 说 的 。 ” 对于 球队 在 本赛 季 的 前景 ， 博斯 克 表示 皇 马 还有 西 甲 联赛 的 冠军 作为 目标 。 “ 皇家 马德里 在 冠军杯 中 战斗 到 了 最后 ， 我们 在 联赛 中 也 将 这么 做 。 ”

因为没有体育专业词库和人名专业词库,所以ChineseParse不能认识这些专业词.

Case 2:    我国汽车社会第一次重大转型历经十多年时间。在1994年出台的《汽车工业产业政策》中，最醒目的一条就是“逐步改变以行政机关、团体、事业单位及国有企业为主的公款购买、使用小汽车的消费结构”。从公款购买汽车为主到汽车逐渐进入家庭，第一次重大转型给人民生活质量带来了巨大提升。这次转型的主要推动力是态度鲜明的产业政策、持续高速增长的国民经济以及蓬勃发展的国内汽车工业。     然而，当我们快速迈进以私人汽车为主体的汽车社会的时候，也面临着新的形势、新的考验：中央强调树立和落实科学发展观，要求国内企业提高自主创新能力；今年“两会”期间，中央又提出构建和谐社会和节约型社会的精神；同时，我国汽车社会面临能源紧缺、燃油价格上涨、土地资源有限等诸多不利因素。在这样的大背景下，进行第二次重大转型刻不容缓。 

海量分词结果:

我国 汽车 社会 第一次 重大 转型 历经 十多年 时间 。 在 1994年 出台 的 《 汽车 工业 产业 政策 》 中 ， 最 醒目 的 一条 就是 “ 逐步 改变 以 行政 机关 、 团体 、 事业 单位 及 国有 企业 为主 的 公款 购买 、 使用 小汽车 的 消费 结构 ” 。 从 公款 购买 汽车 为主 到 汽车 逐渐 进入 家庭 ， 第一次 重大 转型 给 人民 生活 质量 带来 了 巨大 提升 。 这次 转型 的 主要 推动力 是 态度 鲜明 的 产业 政策 、 持续 高速 增长 的 国民经济 以及 蓬勃 发展 的 国内 汽车 工业 。       然而 ， 当 我们 快速 迈进 以 私人 汽车 为 主体 的 汽车 社会 的 时候 ， 也 面临 着 新 的 形势 、 新 的 考验 ： 中央 强调 树立 和 落实 科学 发展观 ， 要求 国内 企业 提高 自主 创新 能力 ； 今年 “ 两会 ” 期间 ， 中央 又 提出 构建 和谐 社会 和 节约型 社会 的 精神 ； 同时 ， 我国 汽车 社会 面临 能源 紧缺 、 燃油 价格 上涨 、 土地 资源 有限 等 诸多 不利 因素 。 在 这样 的 大 背景 下 ， 进行 第二次 重大 转型 刻不容缓 。   
 
ChineseParse分词结果:

我国 汽车 社会 第一 次 重大 转型 历经 十 多年 时间 。 在 1 9 9 4 年 出台 的 《 汽车 工业 产业 政策 》 中 ， 最 醒目 的 一条 就是 “ 逐步 改变 以 行政 机关 、团体 、 事业 单位 及 国有 企业 为主 的 公款 购买 、 使用 小汽车 的 消费 结构 ”。 从 公款 购买 汽车 为主 到 汽车 逐渐 进入 家庭 ， 第一 次 重大 转型 给 人民 生活 质量 带来 了 巨大 提升 。 这次 转型 的 主要 推动力 是 态度 鲜明 的 产业 政策 、 持续 高速 增长 的 国民经济 以及 蓬勃 发展 的 国内 汽车 工业 。           然而 ， 当 我们 快速 迈进 以 私人 汽车 为主 体 的 汽车 社会 的 时候 ， 也 面临 着 新 的 形势 、 新 的 考验 ： 中央 强调 树立 和 落实 科学 发展观 ， 要求 国内 企业 提高 自主 创新 能力 ； 今年 “ 两会 ” 期间 ， 中央 又 提出 构建 和谐 社会 和 节约 型 社会 的 精神 ； 同时 ， 我国 汽车 社会 面临 能源 紧缺 、 燃油 价格 上涨 、 土地 资源 有限 等 诸多不 利 因素 。 在 这样 的 大 背景 下 ， 进行 第二 次 重大 转型 刻不容缓 。

可以看出,ChineseParse不能智能处理"第一次","第二次"这种词,对数字也没识别能力,不过基本的分词效果还是可以的.

(毕竟我3个小时就把程序搞定了,怎么能和别人十年积累的比呢?)


性能测试(迅驰1.5M): 每秒钟67.7万字

程序优化有应该更高.

五、小结

进一步应该做的:
1,能识别简单的外语,数字
2,具备简单智能
3,扩充词库

然后就有实用价值了.

注:前几个月写的大多都是诸如此类简单的中文处理小程序,如繁简转换,自动排版,批量替换,中文分词,有时间的话我会把这些程序集中起来打包成一个实用的中文处理工具.不知道大家还有什么需求,不防说说