CWSharp

.Net的跨平台的中文分词组件，支持中英文、符号或者混合词组(比如：T恤,卡拉OK,C#等)以及自定义词典。

特性

• 默认支持多种分词器
  • StandardTokenizer - 默认分词，基于词典
  • BigramTokenizer - 二元分词，支持英文，数字识别
  • StopwordTokenizer - 自定义过滤词，扩展类
  • UnigramTokenizer - 一元分词
• 可扩展的自定义分词接口
• 支持自定义词典
• 支持Lucene.Net
• 支持.NET以及.NET Core
• MIT授权协议

其它版本

Golang版 - CWSharp-Go

Python版 - CWSharp-Python

安装&编译

• NuGet

nuget install CWSharp 

• For .Net Core (project.json)

"dependencies": {
    "CWSharp": "1.1.0"
  }

• Running on Linux

# dotnet ./test.dll cwsharp.dawg
研究/CJK 生命/CJK 起源/CJK

扩展&帮助

• 自定义词典 - 介绍关于DAWG词典文件格式、生成以及如何添加新的词汇
• Lucene.Net.CWSharp - Lucene.Net的分词插件，支持搜索高亮显示
• Setting the source file character encoding for Mono's xbuild - Mono编译后字符串编码,更改为936(GB2312)

说明

• 基于正向最大匹配的算法。MMSEG算法
• 词典基于DAWG结构，比传统的前缀树占用更少的内存空间。DAWG算法

示例

var tokenizer = new StandardTokenizer("dict.dawg");
var tokenizer2 = new StopwordTokenizer(tokenizer, new string[] { "的" });
foreach (var token in tokenizer2.Traverse("你是我的小苹果"))
{
	Console.Write(token.Text + "/" + token.Type);
}

• StandardTokenizer

研究生命起源 >> 研究/CJK 生命/CJK 起源/CJK
长春市长春药店 >> 长春市/CJK 长春/CJK 药店/CJK
神秘的组织-北京朝阳群众 >> 神秘/CJK 的/CJK 组织/CJK -/PUNC 北京/CJK 朝阳/CJK 群众/CJK
一次性交一百元 >> 一次/CJK 性交/CJK 一/CJK 百/CJK 元/CJK (歧义词)

• BigramTokenizer

研究生命起源 >> 研究/CJK 究生/CJK 生命/CJK 命起/CJK 起源/CJK
长春市长春药店 >> 长春/CJK 春市/CJK 市长/CJK 长春/CJK 春药/CJK 药店/CJK
神秘的组织-北京朝阳群众 >> 神秘/CJK 秘的/CJK 的组/CJK 组织/CJK -/PUNC 
							北京/CJK 京朝/CJK 朝阳/CJK 阳群/CJK 群众/CJK
一次性交一百元 >> 一次/CJK 次性/CJK 性交/CJK 交一/CJK 一百/CJK 百元/CJK

• 自定义分词接口(实现一元分词)

public class CustomTokenizer : ITokenizer
{
	private ITokenizer _tokenizer;
	public CustomTokenizer(ITokenizer tokenizer)
	{
		_tokenizer = tokenizer;
	}
	public IEnumerable<Token> Traverse(string text)
	{
		foreach (var token in _tokenizer.Traverse(text))
		{
			if (token.Type == TokenType.CJK)
			{
				foreach (var ch in token.Text)
					yield return new Token(ch.ToString(), TokenType.CJK);
			}
			else
				yield return token;
		}
	}
}