结巴分词Go版 jiebago

结巴分词是@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，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和用户自定义词典文件，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