结巴分词Go版 jiebago
===================

[![Build Status](https://travis-ci.org/wangbin/jiebago.png?branch=master)](https://travis-ci.org/wangbin/jiebago)

[结巴分词](https://github.com/fxsjy/jieba)是[@fxsjy](https://github.com/fxsjy)用Python编写的中文分词组件，jiebago是结巴分词的Go语言实现，目前已经实现的功能包括：三种模式分词、自定义词典、关键词提取和词性标注。


安装
=====

	go get github.com/wangbin/jiebago
	
分词
=====

    package main

    import (
        "fmt"
        "github.com/wangbin/jiebago"
    )

    var sentence = "我来到北京清华大学"

    func print(ch chan string) {
        for word := range ch {
            fmt.Printf("%s / ", word)
        }
        fmt.Println()
        fmt.Println()
    }

    func main() {
        jiebago.SetDictionary("/Path/to/dictionary/file") // 设定字典
        fmt.Print("【全模式】： ")
        print(jiebago.Cut(sentence, true, true))
        fmt.Print("【精确模式】： ")
        print(jiebago.Cut(sentence, false, true))
        fmt.Print("【新词识别】：")
        print(jiebago.Cut("他来到了网易杭研大厦", false, true))
        fmt.Print("【搜索引擎模式】：")
        print(jiebago.CutForSearch("小明硕士毕业于中国科学院计算所，后在日本京都大学深造", true))
    }
    
使用结巴分词自带的[词典文件](https://github.com/fxsjy/jieba/blob/master/jieba/dict.txt)，输出结果如下：

    【全模式】： 我 / 来到 / 北京 / 清华 / 清华大学 / 华大 / 大学 /

    【精确模式】： 我 / 来到 / 北京 / 清华大学 /

    【新词识别】：他 / 来到 / 了 / 网易 / 杭研 / 大厦 /

    【搜索引擎模式】：小明 / 硕士 / 毕业 / 于 / 中国 / 科学 / 学院 / 科学院 / 中国科学院 / 计算 / 计算所 / ， / 后 / 在 / 日本 / 京都 / 大学 / 日本京都大学 / 深造 /

添加自定义词典
=============

    var sentence = "李小福是创新办主任也是云计算方面的专家"
	fmt.Print("Before: ")
	print(jiebago.Cut(sentence, false, true))
    jiebago.LoadUserDict("/Path/to/user/dictionary/file")
	fmt.Print("After: ")
	print(jiebago.Cut(sentence, false, true))

使用结巴分词自带的[词典文件](https://github.com/fxsjy/jieba/blob/master/jieba/dict.txt)和[用户自定义词典文件](https://github.com/fxsjy/jieba/blob/master/test/userdict.txt)，结果输出如下：

    Before: 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /

    After: 李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /

关键词提取
========

需要先安装analyse模块：

    go get github.com/wangbin/jiebago/analyse
    
示例代码：

    package main

    import (
        "fmt"
        "github.com/wangbin/jiebago/analyse"
    )

    var sentence = "这是一个伸手不见五指的黑夜。我叫孙悟空，我爱北京，我爱Python和C++。"

    func main() {
        analyse.SetDictionary("/Path/to/dictionary/file")
        analyse.SetIdf("/Path/to/idf/file")
        for _, ww := range analyse.ExtractTags(sentence, 20) {
           fmt.Printf("%s / ", ww.Word)
        }
    }
    
输出：

    Python / C++ / 伸手不见五指 / 孙悟空 / 黑夜 / 北京 / 这是 / 一个 /

## 基于TextRank算法的关键词抽取实现

示例代码：

    package main

    import (
        "fmt"
        "github.com/wangbin/jiebago/analyse"
    )

    func main() {
        sentence := "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚     置业注册资本由7000万元增加到5亿元。吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年，实现营业收入0万元，实现净利润-139.13万元。"

        analyse.SetDictionary("/Path/to/dictionary/file")
        result := analyse.TextRank(sentence, 10)
        for _, wt := range result {
            fmt.Printf("%s %f\n", wt.Word, wt.Freq)
        }
    }

输出：

    吉林 1.000000
    欧亚 0.878078
    置业 0.562048
    实现 0.520906
    收入 0.384284
    增资 0.360591
    子公司 0.353132
    城市 0.307509
    全资 0.306324
    商业 0.306138    

词性标注
=======

需要先安装posseg模块：

    go get github.com/wangbin/jiebago/posseg
    
示例代码：

    package main

    import (
        "fmt"
        "github.com/wangbin/jiebago"
        "github.com/wangbin/jiebago/posseg"
    )

    var sentence = "我爱北京天安门"

    func main() {
        posseg.SetDictionary("/Path/to/dictionary/file")
        for wt := range posseg.Cut(sentence, true) {
            fmt.Printf("%s %s\n", wt.Word, wt.Tag)
        }
    }
    
输出：

    我 r
    爱 v
    北京 ns
    天安门 ns
    
并行分词
=======

因为Go有强大的goroutine特性，并行分词实现起来非常简单，所以并没有内置到jiebaogo中，而是由使用者自己实现，下面是一个简单的例子：

    lineCount := 0
    inputFile, _ := os.Open(FileName)
    defer inputFile.Close()
    scanner := bufio.NewScanner(inputFile)
    ch := make(chan []string, 1)
    for scanner.Scan() {
        line := scanner.Text()
        fileLength += len([]rune(line))
        lineCount += 1
        go func() {
           for word := range jiebago.Cut(line, false, true) {
              ch <- word
           }
        }()
    }
    if err := scanner.Err(); err != nil {
        panic(err)
    }
    outputFile, _ := os.OpenFile("parallelCut.log", os.O_CREATE|os.O_WRONLY, 0600)
    defer outputFile.Close()
    writer := bufio.NewWriter(outputFile)
    results := make([]string, 0)
    for {
        if lineCount <= 0 {
            break
        }
        result, ok := <-ch
        if ok {
            results = append(results, result...)
            lineCount -= 1
        }
    }
    writer.WriteString(strings.Join(results, "/ "))
    writer.Flush()


Tokenize
=========

    var sentence = "永和服装饰品有限公司"
    // 默认模式
    for _, token := range jiebago.Tokenize(sentence, "default", true) {
        fmt.Printf("word %s\t\t start: %d \t\t end:%d\n", token.Word, token.Start, token.End)
    }
    // 搜索模式
    for _, token := range jiebago.Tokenize(sentence, "search", true) {
        fmt.Printf("word %s\t\t start: %d \t\t end:%d\n", token.Word, token.Start, token.End)
    }

输出结果：

    word 永和                start: 0                end:2
    word 服装                start: 2                end:4
    word 饰品                start: 4                end:6
    word 有限公司            start: 6                end:10

    word 永和                start: 0                end:2
    word 服装                start: 0                end:2
    word 饰品                start: 0                end:2
    word 有限                start: 0                end:2
    word 公司                start: 2                end:4
    word 有限公司            start: 0                end:4

分词速度
=======

 - 2MB / Second in Full Mode
 - 700KB / Second in Default Mode
 - Test Env: AMD Phenom(tm) II X6 1055T CPU @ 2.8GHz; 《金庸全集》 

许可证
======
MIT: http://wangbin.mit-license.org