Friso是使用c语言开发的一款开源的高性能中文分词器，使用流行的mmseg算法实现。完全基于模块化设计和实现，可以很方便的植入其他程序中，例如：MySQL，PHP，源码无需修改就能在各种平台下编译使用，加载完20万的词条，内存占用稳定为14.5M．
1、目前最高版本：friso1.6.1，同时支持对UTF-8/GBK编码的切分，绑定了php扩展和sphinxtoken插件
2、三种切分模式：
(1).简易模式：FMM算法，适合速度要求场合。(2).复杂模式-MMSEG四种过滤算法，具有较高的岐义去除，分词准确率达到了98.41%。(3).(!New)检测模式：只返回词库中已有的词条，很适合某些应用场合。(1.6.1版本开始)请参考本算法的原作：https://technology.chtsai.org/mmseg/。
3、支持自定义词库。在dict文件夹下，可以随便添加/删除/更改词库和词库词条，并且对词库进行了分类。
4、简体/繁体/简繁体混合支持, 词库使用了friso的Java版本jcseg的简化词库。
5、支持中英/英中混合词的识别(维护词库可以识别任何一种组合)。例如：卡拉ok,漂亮mm,c语言，IC卡，哆啦a梦。
7、很好的英文支持，英文标点组合词识别,例如c++,c#,电子邮件，网址，小数，分数，百分数。
8、(!New)自定义保留标点：你可以自定义保留在切分结果中的标点，这样可以识别出一些复杂的组合，例如：c++,k&r，code.google.com。
9、(!New)复杂英文切分的二次切分：默认Friso会保留数字和字母的原组合，开启此功能，可以进行二次切分提高检索的命中率。例如：qq2013会被切分成：qq/2013/qq2013。
10、支持阿拉伯数字/小数基本单字单位的识别，例如2012年，1.75米，5吨，120斤，38.6℃。
11、自动英文圆角/半角，大写/小写转换。
12、自动中英文同义词追加/同义词匹配.(需要在friso.ini中开启friso.add_syn选项)
13、自动中英文停止词过滤。(需要在friso.ini中开启friso.clr_stw选项)
14、多配置支持,安全的应用在多进程/多线程的情况下.
15、提供friso.ini配置文件,可以依据你的需求轻松打造适合于你的应用的分词，请查看Friso开发帮助文档来了解详细的配置。
二、分词速度
测试环境：2.8GHZ/2G/Ubuntu
简单模式：3.8M/秒
复杂模式：1.8M/秒
三、分词测试：
文本：
歧义和同义词:研究生命起源，混合词:做B超检查身体，x射线本质是什么，今天去奇都ktv唱卡拉ok去，哆啦a梦是一个动漫中的主角，单位和全角:2009年８月６日开始大学之旅，岳阳今天的气温为38.6℃,也就是101.48℉,英文数字:bugreportchenxin619315@gmail.comorvisithttps://code.google.com/p/jcseg,wealladmirethehackerspirit!特殊数字:①⑩⑽㈩.
分词结果：
歧义和同义词:研究琢磨研讨钻研生命起源，混合词:做b超检查身体，x射线本质是什么，今天去奇都ktv唱卡拉ok去，哆啦a梦是一个动漫中的主角，单位和全角:2009年8月6日开始大学之旅，岳阳今天的气温为38.6℃,也就是101.48℉,英文英语数字:bugreportchenxin619315gmailcomchenxin619315@gmail.comorvisithttps://codegooglecomcode.google.com/p/jcseg,wealladmireappreciatelikeloveenjoythehackerspiritmind!特殊数字:①⑩⑽㈩.
评论