Go 语言高效分词, 支持英文、中文、日文等

[vway]

Go 语言高效分词, 支持英文、中文、日文等

词典用双数组 trie （ Double-Array Trie ）实现， 分词器算法为基于词频的最短路径加动态规划。

支持普通和搜索引擎两种分词模式，支持用户词典、词性标注，可运行 JSON RPC 服务。

分词速度单线程 9MB/s，goroutines 并发 42MB/s （ 8 核 Macbook Pro ）。

安装 /更新

go get -u github.com/go-ego/gse

Build-tools

go get -u github.com/go-ego/re 

re gse

To create a new gse application

$ re gse my-gse

re run

To run the application we just created, you can navigate to the application folder and execute:

$ cd my-gse && re run

使用

package main

import (
	"fmt"

	"github.com/go-ego/gse"
)

func main() {
	// 载入词典
	var segmenter gse.Segmenter
	segmenter.LoadDict()
	// segmenter.LoadDict("your gopath"+"/src/github.com/go-ego/gse/data/dict/dictionary.txt")

	// 分词
	text := []byte("中华人民共和国中央人民政府")
	segments := segmenter.Segment(text)
  
	// 处理分词结果
	// 支持普通模式和搜索模式两种分词，见代码中 ToString 函数的注释。
	fmt.Println(gse.ToString(segments, false)) 

	text1 := []byte("深圳地王大厦")
	segments1 := seg.Segment([]byte(text1))
	fmt.Println(gse.ToString(segments1, false)) 
}

项目地址: https://github.com/go-ego/gse

[yangtukun1412]

为什么不直接 fork 呢...感觉这样子破坏了之前的 commit history...

[vway]

@yangtukun1412 直接 fork 搜不到

[vway]

@secsilm 只能说性能更好吧

[htfy96]

感觉这种算法 /CPU 密集的程序最好做法还是提供一个 C 接口版本，然后其他语言在上面用 FFI 包装一下，这样就不会陷入重复造轮子的情况……

[wzha2008]

再加个 HMM ？

[vway]

@htfy96 嗯, 那样更通用, 但部署会不方便

[vway]

@wzha2008 感谢建议, 会列入考虑

[whyw]

👍, 支持

[secsilm]

@qsnow6 怪我比了？楼主说的比 Python 好啊，我就想知道好在哪

[vway]

@secsilm 我说的是性能好很多, 不好意思有歧义

[vway]

@whyw 🤝, 感谢