cwsharp-go

cwsharp-go是Golang实现的中文分词库，支持多种分词模式，支持自定义字典和扩展。

.NET版：CWSharp-C#

安装&测试 
$ go get github.com/zhengchun/cwsharp-go
$ cd main
$ go run main.go Hello,World!你好，世界!
分词算法

cwsharp-go支持多种分词算法，你可以根据需求选择适合自己的或者自定义新的分词算法。

mmseg-tokenizer

标准的基于词典的分词方法。

tips: 建议使用单一实例，避免每次分词都需重新加载字典

tokenizer, err := cwsharp.New("../data/cwsharp.dawg") //加载字典
iter := tokenizer.Tokenize(strings.NewReader("Hello,world!你好,世界!"))
for tok := iter.Next(); tok != nil; tok = iter.Next() {
	fmt.Printf("%s/%s ", tok.Text, tok.Type)
}
>> hello/w ,/p world/w !/p 你好/w ,/p 世界/w !/p

bigram-tokenizer

二元分词方法，无需字典，速度快，支持完整的英文和数字切分。

iter := cwsharp.BigramTokenize(strings.NewReader("世界人民大团结万岁!"))
for token := iter.Next(); token != nil; token = iter.Next() {
	fmt.Printf("%s/%s ", token.Text, token.Type)
}
>> 世界/w 界人/w 人民/w 民大/w 大团/w 团结/w 结万/w 万岁/w !/p

whitespace-tokenizer

标准的英文分词，无需字典，适合切分英文的内容，中文会被当做独立的字符输出。

iter := cwsharp.WhitespaceTokenize(strings.NewReader("Hello,world!你好!"))
for token := iter.Next(); token != nil; token = iter.Next() {
	fmt.Printf("%s/%s ", token.Text, token.Type)
}
>> hello/w ,/p world/w !/p 你/w 好/w !/p
版本历史

  • 2.0 [2017-01]

    重写了代码以及目录布局, 尽量将代码简化以及符合golang的使用.

    • bigram,mmseg,simple三个独立的包整合到一起.
    • golang标准库的io.Reader代替自定义cwsharp.Reader的实现.
    • WhitespaceTokenize取代simple包.
    • BigramTokenize取代bigram包.
    • Token.Type代替Token.Kind. (PUNC,NUMBER,WORD)
    • Tokenizer接口约束.

  • 1.1

    • 重构架构方面的设计，实现了自定义分词扩展。

  • 1.0

    • C#版本的移植
TODO-List
  • 自定义Filter功能,比如StopwordFilter。
  • 将早期版本的自定义字典功能移到新版本中。