以 Linux(FreeBSD) 操作系统为例
1. 取得 scws-1.1.1 的代码
wget http://www.ftphp.com/scws/down/scws-1.1.1.tar.bz2
2. 解开压缩包
[hightman@d1 ~]$ tar xvjf scws-1.1.1.tar.bz2
3. 进入目录执行配置脚本和编译
[hightman@d1 ~]$ cd scws-1.1.1
[hightman@d1 ~/scws-1.1.1]$ ./configure --prefix=/usr/local/scws ; make ; make install
注：这里和通用的 GNU 软件安装方式一样，具体选项参数执行 ./configure --help 查看。
常用的三个选项为：
--prefix=<scws的安装目录>
--disable-mmap <这表示禁用 MMAP 来读取 xdb，在 debian, ubuntu 的部分 Linux 中建议关闭 mmap>
--enable-developer <这表示以开发者模式编译，主要是用于调试编译时加入了 -g 选项及部分标准输出的信息>
4. 顺利的话已经编译并安装成功到 /usr/local/scws 中了，执行下面命令看看文件是否存在
[hightman@d1 ~/scws-1.1.1]$ ls -al /usr/local/scws/lib/libscws.la
5. 试试执行 scws-cli 文件
[hightman@d1 ~/scws-1.1.1]$ /usr/local/scws/bin/scws -h
scws (scws-cli/1.1.1)
Simple Chinese Word Segmentation - Command line usage.
Copyright (C)2007 by hightman.
...
6 用 wget 下载并解压词典，或从主页下载然后自行解压再将 *.xdb 放入 /usr/local/scws/etc 目录中
[hightman@d1 ~/scws-1.1.1]$ cd /usr/local/scws/etc
[hightman@d1 /usr/local/scws/etc]$ wget http://www.ftphp.com/scws/down/scws-dict-chs-gbk.tar.bz2
[hightman@d1 /usr/local/scws/etc]$ wget http://www.ftphp.com/scws/down/scws-dict-chs-utf8.tar.bz2
[hightman@d1 /usr/local/scws/etc]$ tar xvjf scws-dict-chs-gbk.tar.bz2
[hightman@d1 /usr/local/scws/etc]$ tar xvjf scws-dict-chs-utf8.tar.bz2
7. 写个小程序测试一下
[hightman@d1 ~]$ cat > test.c
#include <scws.h>
#include <stdio.h>
main()
{
scws_t s;
s = scws_new();
scws_free(s);
printf("test ok!\n");
}
8. 编译测试程序
gcc -o test -I/usr/local/scws/include -L/usr/local/scws/lib test.c -lscws -Wl,--rpath -Wl,/usr/local/scws/lib
./test
9. 这样就好顺利安装完毕可以使用 libscws 这套 C-API 了
10. 如果您需要在 php 中调用分词，建议继续阅读本文安装 php 扩展，否则可跳过不看。
假设您已经将 scws 按上述步骤安装到 /usr/local/scws 中。
安装此扩展要求您的 php 和系统环境安装了相应的 autoconf automake 工具及 phpize 。
1) 进入源码目录的 phpext/ 目录 ( cd ~/scws-1.1.1 )
2) 执行 phpize （在PHP安装目录的bin/目录下）
3) 执行 ./configure --with-scws=/usr/local/scws
若 php 安装在特殊目录 $php_prefix, 则请在 configure 后加上 --with-php-config=$php_prefix/bin/php-config
4) 执行 make 然后用 root 身份执行 make install
5) 在 php.ini 中加入以下几行
[scws]
;
; 注意请检查 php.ini 中的 extension_dir 的设定值是否正确, 否则请将 extension_dir 设为空，
; 再把 extension = scws.so 指定绝对路径。
;
extension = scws.so
scws.default.charset = gbk
scws.default.fpath = /usr/local/scws/etc
6) 命令行下执行 php -m 就能看到 scws 了或者在 phpinfo() 中看看关于 scws 的部分，记得要重启 web 服务器
才能使新的 php.ini 生效。
7) 这样就算安装完成了，余下的工作只是PHP代码编写问题了。
关于 PHP 扩展的使用说明请参看代码中 phpext/php_scws_manual.txt 文件或其它文档章节。
[返回目录]
0. 概述
Libscws 代码是当前 SCWS(简易中文分词) 算法使用C语言编写的链接库，
目前仅基于 Unix 族的操作系统，可能必须适当修改才能运行在 Windows
平台中（经测试在 Cygwin 环境中无需任何修改可以顺利编译和使用）。
1. 数据类型 （仅列出API中需要关注的部分）
·scws 操作句柄
几乎所有的 API 函数都使用到它，不应尝试拷贝 scws_st 结构，不保证这类拷贝结果会有用。
typedef struct {
xdict_t d;
rule_t r;
unsigned char *mblen;
unsigned int mode;
unsigned char *txt;
int len;
int off;
int wend;
scws_res_t res0;
scws_res_t res1;
word_t **wmap;
struct scws_zchar *zmap;
} scws_st, *scws_t;
struct scws_zchar {
int start;
int end;
};
注：xdict_t 和 rule_t 分别是词典和规则集的指针，其值为 NULL 来表示加载失败。
·scws 系列结果集
每次 scws 返回的分词结果的数量都是不定的，直到返回结果为 NULL 才表示这次分词过程结束，这是一个单链表结构。
typedef struct scws_result *scws_res_t;
struct scws_result {
int off;
float idf;
unsigned char len;
char attr[3];
scws_res_t next;
};
·scws 高频关键词统计集，简称＂词表集＂，这是 scws 中统计调用时返回用的结构，也是一个单链表结构。
typedef struct scws_topword *scws_top_t;
struct scws_topword {
char *word;
float weight;
short times;
char attr[2];
scws_top_t next;
};
2. 函数说明
·scws_t scws_new();
描述：分配或初始化与scws系列操作的 scws_st 对象。该函数将自动分配、初始化、并返回新对象的指针。
通过调用 scws_free() 来释放该对象。
返回值：初始化的 scws_st * （即 scws_t） 句柄。如果无足够内存以分配新的对象，返回NULL。
错误：在内存不足的情况下，返回NULL。
·void scws_free(scws_t s);
描述：释放由 scws_new() 返回的 scws 操作句柄及对象内容，同时也会释放已经加载的词典和规则。
返回值：无
错误：无
·void scws_set_charset(scws_t s, const char *cs);
描述：设定当前 scws 所使用的字符集，目前仅支持 gbk 和 utf-8 两种字符集。参数 cs 描述的是新指定的
字符集。若无此调用则系统缺省使用gbk字符集，指定字符集时 cs 参数的大小写不敏感。
返回值：无
错误：若指定的字符集不存在，则会自动使用 gbk 字符集替代。
·int scws_add_dict(scws_t s, const char *fpath, int mode);
描述：添加词典文件到当前 scws 操作。参数 fpath 描述的是词典的文件路径，词典格式是 XDB或TXT 格式。
参数 mode 有3种值，分别为宏定义的：SCWS_XDICT_TXT （表示要读取的词典文件是文本格式，可以和后2项结合用）
SCWS_XDICT_XDB （这表示直接读取 xdb 文件）、
SCWS_XDICT_MEM （这表示将 xdb 文件全部加载到内存中，以 XTree 结构存放）。
具体用哪种方式需要根据自己的实际应用来决定。
当使用本库做为 daemon server 时应当使用 mem 方式，当只是 embed 调用时应该使用 xdb 方式，
将 xdb 文件加载进内存不仅占用了比较多的内存，而且也需要一定的时间（35万条数据约需要0.3~0.5秒左右）。
若此前 scws 句柄已经加载过词典，则新加入的词典具有更高的优先权。
返回值：成功返回 0，失败返回 -1
·int scws_set_dict(scws_t s, const char *fpath, int mode);
描述：清除并设定当前 scws 操作所有的词典文件。参数 fpath 描述的是词典的文件路径，词典格式是 XDB或TXT 格式。
参数 mode 有3种值，分别为宏定义的：SCWS_XDICT_TXT （表示要读取的词典文件是文本格式，可以和后2项结合用）
SCWS_XDICT_XDB （这表示直接读取 xdb 文件）、
SCWS_XDICT_MEM （这表示将 xdb 文件全部加载到内存中，以 XTree 结构存放）。
具体用哪种方式需要根据自己的实际应用来决定。
当使用本库做为 daemon server 时应当使用 mem 方式，当只是 embed 调用时应该使用 xdb 方式，
将 xdb 文件加载进内存不仅占用了比较多的内存，而且也需要一定的时间（35万条数据约需要0.3~0.5秒左右）。
若此前 scws 句柄已经加载过词典，则此调用会先释放已经加载的全部词典。
返回值：成功返回 0，失败返回 -1
错误： 这和 scws_add_dict 的区别在于会清空已有词典。
·void scws_set_rule(scws_t s, const char *fpath);
描述：设定规则集文件。参数 fpath 是规则集文件的路径。若此前 scws 句柄已经加载过规则集，
则此调用会先释放已经加载的规则集。规则集定义了一些新词自动识别规则，包括常见的人名、地区、数字年代等。
规则编写方法另行参考其它部分。
返回值：无
错误：加载失败，scws_t 结构中的 r 元素为 NULL，即通过 s->r == NULL 与否来判断加载的失败与成功。
·void scws_set_ignore(scws_t s, int yes);
描述：设定分词执行过程中是否忽略所有的标点等特殊符号（不会忽略\r和\n）。参数 yes 为 1 表示忽略，为0表示不忽略，
缺省情况为不忽略。
返回值：无
错误：无
·void scws_set_multi(scws_t s, int mode);
描述：设定分词执行时是否执行针对长词复合切分。（例如：中国人->中国+人+中国人）。参数 mode 表示复合分词法的级别，
取值为 1 ~ 15。mode 设定值，1~15。按位与的 1|2|4|8 依次表示 短词|二元|主要单字|全部单字。缺省不复合分词。
返回值：无
错误：无
·void scws_set_duality(scws_t s, int yes);
描述：设定是否将闲散文字自动以二字分词法聚合，参数 yes 的值如果为 1 表示执行二分聚合，0 表示不处理，缺省为 0。
返回值：无
错误：无
·void scws_set_debug(scws_t s, int yes);
描述：设定分词时对于疑难多路径综合分词时，是否打印出各条路径的情况。注意，打印使用的是 fprintf(stderr, ... 故
，这项功能不要随便使用，仅在命令行嵌入式调用时可以使用，参见例子中的 cmd.c 。
当库函数编译选项中加入 -DLIBSCWS_QUIET 时此项不生效。（参见 php 扩展，PHP扩展里就是加入此项）
返回值：无
错误：无
·void scws_send_text(scws_t s, const char *text, int len);
描述：设定要切分的文本数据，text 指定该串文本的起始位置，而 len 表示这段文本的长度。该函数可安全用于二进制数据，
不会因为字符串中包括 \0 而停止切分。这个函数应该在 scws_get_result 和 scws_get_tops 之前调用。
返回值：无
错误：无。
注：scws结构内部维护着该字符串的指针和相应的偏移及长度，故连续调用的话后者会覆盖前者的设定；
不应在多次 scws_get_result 循环中调用 scws_send_text()。
·scws_res_t scws_get_result(scws_t s);
描述：取回一系列分词结果集，该分词结果必须调用 scws_free_result() 释放，传入链表头指针。
返回值：返回的是结果集链表的头部指针。该函数必须循环调用，当返回值为 NULL 时表示分词结束。
错误：无
·void scws_free_result(scws_res_t result);
描述：根据结果集的链表头释放结果集
返回值：无
错误：无
·scws_top_t scws_get_tops(scws_t s, int limit, char *xattr);
描述：返回指定的关键词表统计集，系统会自动根据词语出现的次数及其 idf 值计算排名。
参数 limit 指定取回数据的最大条数，若传入值为0或负数，则自动重设为10。
参数 xattr 用来描述要排除或参与的统计词汇词性，多个词性之间用逗号隔开。
当以~开头时表示统计结果中不包含这些词性，否则表示必须包含，传入 NULL 表示统计全部词性。
返回值：返回词表集链表的头指针，该词表集必须调用 scws_free_tops 释放
错误：无
·void scws_free_tops(scws_top_t tops);
描述：根据词表集的链表头释放词表集
返回值：无
错误：无
·int scws_has_word(scws_t s, char *xattr);
描述：判断text中是包括指定的词性的词汇。参数 xattr 用来描述要排除或参与的统计词汇词性，
多个词性之间用逗号隔开。当以~开头时表示统计结果中不包含这些词性，否则表示必须包含，
传入 NULL 表示统计全部词性。
返回值：如果有返回 1 没有则返回 0
错误：无
·scws_top_t scws_get_words(scws_t s, char *xattr);
描述：返回指定词性的关键词表，系统会根据词语出现的先后插入列表。参数 xattr 用来描述要排除
或参与的统计词汇词性，多个词性之间用逗号隔开。当以~开头时表示统计结果中不包含这些词性，
否则表示必须包含，传入 NULL 表示统计全部词性。
返回值：返回词表集链表的头指针，该词表集必须调用 scws_free_tops 释放
错误：无
3. 使用实例
一个简单的分词实例：
#include <scws.h>
#include <stdlib.h>
main()
{
scws_t s;
scws_res_t res, cur;
char *text = "Hello, 我名字叫李那曲是一个中国人, 我有时买Q币来玩, 我还听说过C#语言";
if (!(s = scws_new())) {
printf("error, can't init the scws_t!\n");
exit(-1);
}
scws_set_charset(s, "gbk");
scws_set_dict(s, "/usr/local/scws/etc/dict.xdb", SCWS_XDICT_XDB);
scws_set_rule(s, "/usr/local/scws/etc/rules.ini");
scws_send_text(s, text, strlen(text));
while (res = cur = scws_get_result(s))
{
while (cur != NULL)
{
printf("Word: %.*s/%s (IDF = %4.2f)\n",
cur->len, text+cur->off, cur->attr, cur->idf);
cur = cur->next;
}
scws_free_result(res);
}
scws_free(s);
}
编译：gcc -o test -I/usr/local/scws/include -L/usr/local/scws/lib test.c -lscws -Wl,--rpath -Wl,/usr/local/scws/lib
[返回目录]
1. /usr/local/scws/bin/scws 或 $prefix/bin/scws
这是分词的命令行演示版本
执行 scws -h 可以看到详细帮助：
Usage: scws [options] [input] [output]
-i <file|string> input string or filepath
(default: try to read from <stdin> everyline)
-o <file> output filepath (default to <stdout>)
-c <charset> set the charset (default: gbk)
charset must been same with dictionary & ruleset
-r <file> set the ruleset file (default: none)
support text dictionary, multi dictionary file split by ':' (ver 1.1.1+)
-d <file> set the dictionary file (default: none)
-M <1~15> use multi child words mode(中国人->中国+人+中国人)
1|2|4|8: short|duality|zmain|zall
-I ignore the all mark symbol such as ,:
-A show the word attribute
-E import the xdb dict into xtree(memory)
-N don't show time usage and warnings
-D debug segment, see the segment detail
-U use duality algorithm for single chinese
-t <NUM> fetch the top words instead of segment
-a [~]<attr1,attr2,...> prefix by ~ means exclude them.
For topwords, exclude or include some word attrs
-v Show the version.
-h Show this page for help.
-i <>: 要切分的字符串或者文件路径，如不指定则程序自动读取标准输入，每输入一次换行执行一次分词
-o <>: 切分结果输出保存的文件路径，若不指定直接输出到屏幕
-c <>: 指定分词的字符集，默认是 gbk
-r <>: 指定规则集文件（规则集用于数词、数字、专有名字、人名的识别）
-d <>: 指定词典文件路径（XDB格式，请在 -c 之后使用）
*NOTICE*
自 1.1.1 版起，开始支持多词典同时载入，词典格式也支持纯文本格式（必须是.txt结尾）。
多词典路径之间用冒号(:)隔开，排在越后面的词典优先级越高。
文本词典的数据格式参见 gen_scws_dict 所用的格式，但更宽松一些，允许用不定量的空格分开，
只有<词>是必备项目，其它数据可有可无，当词性标注为“!”（叹号）时表示该词作废，即使在
较低优先级的词库中存在该词也将作废。
-M <>: 复合分词的级别：1~15，按位与的 1|2|4|8 依次表示 短词|二元|主要单字|全部单字。缺省不复合分词。
-I: 输出结果忽略跳过所有的标点符号
-A: 显示分词属性
-E: 将 xdb 词典读入内存 xtree 结构 (如果切分的文件很大才需要)
-N: 不显示切分时间和提示
-D: debug 模式 (不必用, 需要编译时打开 --enable-developer)
-U: 将闲散单字自动调用二分法结合
-t <>: 取得高频词，参数为个数
-a [~]<attr1,..> 只显示某些词性的词，加~表示过滤该词性的词
-v: 查看版本
-h: 查看帮助
2. /usr/local/scws/bin/gen_scws_dict 或 $prefix/bin/gen_scws_dict (略)
[返回目录]
==运行时配置==
scws.default.charset (default = gbk) , Changeable = PHP_INI_ALL
scws.default.fpath (default = NULL) , Changeable = PHP_INI_ALL
有关 PHP_INI_* 常量进一步的细节与定义参见PHP手册。
==资源类型==
本扩展定义了一种资源类型：一个 scws 指针，指向正在被操作的 scws 对象。
==预定义常量==
本扩展模块未定义任何常量。
==预定义类==
这是一个类似 Directory 的内置式伪类操作，类方法建立请使用 scws_new() 函数，
而不要直接用 new SimpledCWS。否则不会包含有 handle 指针，将无法正确操作。
包含的方法有：
class SimpledCWS {
resource handle;
bool close(void);
bool set_charset(string charset)
bool set_dict(string dict_path)
bool set_rule(string rule_path)
bool set_ignore(bool yes)
bool set_multi(int mode)
bool set_duality(bool yes)
bool send_text(string text)
mixed get_result(void)
mixed get_tops([int limit [, string xattr]])
bool has_word(string xattr)
mixed get_words(string xattr)
string version(void)
};
例子1. 使用类方法分词
<?php
$so = scws_new();
$so->set_charset('gbk');
// 这里没有调用 set_dict 和 set_rule 系统会自动试调用 ini 中指定路径下的词典和规则文件
$so->send_text("我是一个中国人,我会C++语言,我也有很多T恤衣服");
while ($tmp = $so->get_result())
{
print_r($tmp);
}
$so->close();
?>
例子2. 使用函数提取高频词
<?php
$sh = scws_open();
scws_set_charset($sh, 'gbk');
scws_set_dict($sh, '/path/to/dict.xdb');
scws_set_rule($sh, '/path/to/rules.ini');
$text = "我是一个中国人，我会C++语言，我也有很多T恤衣服";
scws_send_text($sh, $text);
$top = scws_get_tops($sh, 5);
print_r($top);
?>
注意：
为方便使用，当 send_text 方法或 scws_send_text 函数被调用前，没有加载词典和规则集时，
系统会自动在scws.default.fpath(ini配置)中查找相应的字符集词典。词典和规则文件的命名
方式为 dict[.字符集].xdb 和 rules[.字符集].ini ，当字符集是 gbk 时中括号里面的部分则
不需要，直接使用 dict.xdb 和 rules.ini 而不是 dict.gbk.xdb 。
此外，输入的文字，词典，规则文件这三者的字符集必须统一，如果不是默认的 gbk 字符集
请调用 set_charset 或 scws_set_charset来设定，否则可能出现意外错误。
==函数列表：==
mixed scws_new(void)
说明：创建并返回一个 SimpledCWS 类操作对象。
参数：无
返回值：成功返回类操作句柄，失败返回 false
mixed scws_open(void)
说明：创建并返回一个分词操作句柄
参数：无
返回值：成功返回 scws 操作句柄，失败返回 false
bool scws_close(resource scws_handle)
说明：关闭一个已打开的 scws 分词操作句柄
返回：始终为 true
参数：scws_handle 即之前由 scws_open 打开返回的。
bool scws_set_charset(resource scws_handle, string charset)
说明：设定分词词典、规则集、欲分文本字符串的字符集，系统缺省是 gbk 字集。
返回：始终为 true
参数：scws_handle 即之前由 scws_open 打开返回的；
charset 是要新设定的字符集，目前只支持 utf8 和 gbk。
bool scws_add_dict(resource scws_handle, string dict_path [, int mode])
说明：添加分词所用的词典，新加入的优先查找。
返回：成功返回 true 失败返回 false
参数：scws_handle 即之前由 scws_open 打开返回的；
dict_path 是词典的路径，可以是相对路径或完全路径。（遵查安全模式下的open_basedir）
mode 是可选参数，表示加载的方式，其值有三：SCWS_XDICT_XDB SCWS_XDICT_MEM SCWS_XDICT_TXT
其中 SCWS_XDICT_TXT 表示文本词典，可结合另外2个值使用
bool scws_set_dict(resource scws_handle, string dict_path [, int mode])
说明：设定分词所用的词典并清除已存在的词典列表。
返回：成功返回 true 失败返回 false
参数：scws_handle 即之前由 scws_open 打开返回的；
dict_path 是词典的路径，可以是相对路径或完全路径。（遵查安全模式下的open_basedir）
mode 是可选参数，表示加载的方式，其值有三：SCWS_XDICT_XDB SCWS_XDICT_MEM SCWS_XDICT_TXT
其中 SCWS_XDICT_TXT 表示文本词典，可结合另外2个值使用
bool scws_set_rule(resource scws_handle, string rule_path)
说明：设定分词所用的新词识别规则集（用于人名、地名、数字时间年代等识别）。
返回：成功返回 true 失败返回 false
参数：scws_handle 即之前由 scws_open 打开返回的；
rule_path 是规则集的路径，可以是相对路径或完全路径。（遵查安全模式下的open_basedir）
bool scws_set_ignore(resource scws_handle, bool yes)
说明：设定分词返回结果时是否去除一些特殊的标点符号之类。
返回：始终为 true
参数：scws_handle 即之前由 scws_open 打开返回的；
yes 设定值，如果为 true 则结果中不返回标点符号，如果为 false 则会返回，缺省为 false。
bool scws_set_multi(resource scws_handle, int mode)
说明：设定分词返回结果时是否复式分割，如“中国人”返回“中国＋人＋中国人”三个词。
返回：始终为 true
参数：scws_handle 即之前由 scws_open 打开返回的；
mode 设定值，1~15。1|2|4|8 = short|duality|zmain|zall
按位与的 1 | 2 | 4 | 8 分别表示: 短词 | 二元 | 主要单字 | 所有单字
1.1.1 起 1,2,4,8 分别对应常量 SCWS_MULTI_SHORT SCWS_MULTI_DUALITY SCWS_MULTI_ZMAIN SCWS_MULTI_ZALL
bool scws_set_duality(resource scws_handle, bool yes)
说明：设定是否将闲散文字自动以二字分词法聚合
返回：始终为 true
参数：scws_handle 即之前由 scws_open 打开返回的；
yes 设定值，如果为 true 则结果中多个单字会自动按二分法聚分，如果为 false 则不处理，缺省为 false。
bool scws_send_text(resource scws_handle, string text)
说明：发送设定分词所要切割的文本
返回：成功返回 true 失败返回 false
参数：scws_handle 即之前由 scws_open 打开返回的；
text 是文本的内容。
注1：系统底层处理方式为对该文本增加一个引用，故不论多长的文本并不会造成内存浪费；
注2：执行本函数时，若未加载任何词典和规则集，则会自动试图在ini指定的缺省目录下查找词典和规则集。
mixed scws_get_result(resource scws_handle)
说明：根据 send_text 设定的文本内容，返回一系列切好的词汇。
返回：成功返回切好的词汇组成的数组， 若无更多词汇，返回 false。
参数：scws_handle 即之前由 scws_open 打开返回的。
注1：每次切割后本函数应该循环调用，直到返回 false 为止，因为程序每次返回的词数是不确定的。
注2：返回的词汇包含的键值有：word (string, 词本身) idf (folat, 逆文本词频)
off (long, 在文本中的位置) attr(string, 词性表示)
mixed scws_get_tops(resource scws_handle [, int limit [, string attr]] )
说明：根据 send_text 设定的文本内容，返回系统计算出来的最关键词汇列表。
返回：成功返回切好的词汇组成的数组， 若无更多词汇，返回 false。
参数：scws_handle 即之前由 scws_open 打开返回的；
limit 可选参数，返回的词的最大数量，缺省是 10；
attr 可选参数，是一系列词性组成的字符串，各词性之间以半角的逗号隔开，
这表示返回的词性必须在列表中，如果以~开头，则表示取反，词性必须不在列表中，
缺省为NULL，返回全部词性，不过滤。
mixed scws_get_words(resource scws_handle, string attr )
说明：根据 send_text 设定的文本内容，返回系统中词性符合要求的关键词汇。
返回：成功返回符合要求词汇组成的数组，返回 false。
参数：scws_handle 即之前由 scws_open 打开返回的；
attr 是一系列词性组成的字符串，各词性之间以半角的逗号隔开，
这表示返回的词性必须在列表中，如果以~开头，则表示取反，词性必须不在列表中，
若为空则返回全部词性，不过滤。
bool scws_has_words(resource scws_handle, string attr )
说明：根据 send_text 设定的文本内容，返回系统中是否包括符合词性要求的关键词。
返回：如果有则返回 true，没有就返回 false。
参数：scws_handle 即之前由 scws_open 打开返回的；
attr 是一系列词性组成的字符串，各词性之间以半角的逗号隔开，
这表示要判断的词只要有一个符合词性要求就立即返回 true，
若为空则只要 text 不为空就返回 true.
mixed scws_version(void)
说明：返回 scws 版本号名称信息。
返回：字符串
参数：无
类对象用法参照函数用法，区别就是不需要传入第一参数（会自动从handle的属性中取值）。
[返回目录]
1. 根据您当前用的 PHP 版本，下载相应已编译好的 php_scws.dll 扩展库。
目前支持 PHP-4.4.x 和 PHP-5.2.x 系列，下载地址分别为：
php-4.4.x: http://www.ftphp.com/scws/down/scws_1.1.1_win32_php-4.4.x.zip
php-5.2.x: http://www.ftphp.com/scws/down/scws_1.1.1_win32_php-5.2.x.zip
2. 将下载后的 zip 文件解压缩得到里面的 php_scws.dll ，将该文件放到 php 安装目录的
extensions/ 目录中去（通常为：X:/php/extensions/）。
3. 建立一个本地目录放规则集文件和词典文件，建议使用：C:/program files/scws/etc
4. 从 scws 主页上下载词典文件，解压后将 *.xdb 放到上述目录中
词典系列：http://www.ftphp.com/scws/down/scws-dict-chs-gbk.tar.bz2
http://www.ftphp.com/scws/down/scws-dict-chs-utf8.tar.bz2
http://www.ftphp.com/scws/down/scws-dict-cht-utf8.tar.bz2
4. 修改 php.ini 通常位于 C:/windows/php.ini 或 C:/winnt/php.ini 之类的目录，
在 php.ini 的末尾加入以下几行：
[scws]
;
; 注意请检查 php.ini 中的 extension_dir 的设定值是否正确, 否则请将 extension_dir 设为空，
; 再把 php_scws.dll 指定为绝对路径。
;
extension = php_scws.dll
scws.default.charset = gbk
scws.default.fpath = "c:/program files/scws/etc"
5. 重开 web 服务器即可完成。
[返回目录]
PSCWS2 和 PSCWS3 这两个类对应的文件分别为 pscws2.class.php 和 pscws3.class.php ，分别为
第二版及第三版。在 PHP 代码中的调用方法如下：
// 加入头文件, 若用第3版则文件名应为 pscws3.class.php
require '/path/to/pscws2.class.php';
// 建立分词类对像, 参数为词典路径
$pscws = new PSCWS2('/path/to/dict/dict.xdb');
//
// 接下来, 设定一些分词参数或选项
// 包括: set_dict, set_ignore_mark, set_autodis, set_debug ... 等方法
//
// 调用 segment 方法执行词汇切割, segment 的第二参数为回调函数, 这将使系统自动将切好的词
// 组成的数组作为参数传递给该回调函数去执行，若为空则将词组成的数组返回。
$res = $pscws->segment($string);
print_r($res);
或 （特别地，回调函数视情况会多次调用）
function seg_cb($res) { print_r($res); }
$pscws->segment($string, 'seg_cb');
--- 类方法完全手册 ---
(注: 构造函数可传入词典路径作为参数, 这与另外调用 set_dict 效果是一样的)
class PSCWS2 { | class PSCWS3 {
void set_dict(string dict_fpath);
说明：设置分词引擎所采用的词典文件。
参数：dict_fpath 为词典路径，内部会根据词典路径的后缀名采用相应的处理方式。
返回值：无。
错误：若有错误会给出 WARNING 级的错误提示。
void set_ignore_mark(bool set);
说明：设置分词结果是否忽略标点符号。
参数：set 必须为布尔型的 true 或 false，分别表示要忽略和不忽略。
返回值：无。
void set_autodis(bool set);
说明：设置分词算法是否启用自动识别人名。
参数：set 必须为布尔型的 true 或 false，分别表示要识别和不识别。
返回值：无。
void set_debug(bool set);
说明：设置分词过程是否输出分词过程的调试信息。
参数：set 必须为布尔型的 true 或 false，分别表示要输出和不输出。
返回值：无。
void set_statistics(bool set);
说明：设置分词过程是否记录各词汇出现的次数及位置。
参数：set 必须为布尔型的 true 或 false，分别表示要记录和不记录。
返回值：无。
其它：在 segment() 方法执行结束后调用 get_statistics() 方法获取统计信息。
Array &get_statistics(void);
说明：返回上次 segment() 调用的分词结果的各词汇出现的次数及位置信息(引用返回)。
参数：无。
返回值：以词汇为键名，其值由次数(times)和(poses)位置列表数组组成。
其它：该方法应该在 segment() 方法后调用，每次 segment() 调用前统计信息自动清零。
mixed &segment(string text [, string cb]);
说明：对字符串 text 执行分词。
参数：text 为要执行分词的字符串；
cb 是处理分词结果的回调函数名称，它接受由切好的词语组成的数组这一参数。
返回值：当 cb 参数没有传入时，返回切好的词语组成的数组成(可以以引用方式返回)，
若采用回调函数处理分词结果，则直接返回 true。
其它：cb 函数在一次 segment() 过程中可能是多次调用的。
若没有传入 cb 参数，segment() 将会在 text 分词结果后再将结果一次返回，
当 text 很长时速度较慢，建议将 text 按明显的换行标记切分后再依次调用
segment() 方法进行切词以提高效率！
};
[返回目录]
PSCWS4 类对应的文件为 pscws4.class.php。在 PHP 代码中的调用方法如下：
// 加入头文件
require '/path/to/pscws4.class.php';
// 建立分词类对像, 参数为字符集, 默认为 gbk, 可在后面调用 set_charset 改变
$pscws = new PSCWS4('utf8');
//
// 接下来, 设定一些分词参数或选项, set_dict 是必须的, 若想智能识别人名等需要 set_rule
//
// 包括: set_charset, set_dict, set_rule, set_ignore, set_multi, set_debug, set_duality ... 等方法
//
$pscws->set_dict('/path/to/etc/dict.xdb');
$pscws->set_rule('/path/to/etc/rules.ini');
// 分词调用 send_text() 将待分词的字符串传入, 紧接着循环调用 get_result() 方法取回一系列分好的词
// 直到 get_result() 返回 false 为止
// 返回的词是一个关联数组, 包含: word 词本身, idf 逆词率(重), off 在text中的偏移, len 长度, attr 词性
//
$pscws->send_text($text);
while ($some = $pscws->get_result())
{
foreach ($some as $word)
{
print_r($word);
}
}
// 在 send_text 之后可以调用 get_tops() 返回分词结果的词语按权重统计的前 N 个词
// 常用于提取关键词, 参数用法参见下面的详细介绍.
// 返回的数组元素是一个词, 它又包含: word 词本身, weight 词重, times 次数, attr 词性
$tops = $pscws->get_tops(10, 'n,v');
print_r($tops);
--- 类方法完全手册 ---
(注: 构造函数可传入字符集作为参数, 这与另外调用 set_charset 效果是一样的)
class PSCWS4 {
void set_charset(string charset);
说明：设定分词词典、规则集、欲分文本字符串的字符集，系统缺省是 gbk 字集。
返回：无。
参数：charset 是设定的字符集，目前只支持 utf8 和 gbk。（注：big5 也可作 gbk 处理）
注意：输入要切分的文本，词典，规则文件这三者的字符集必须统一为该 charset 值。
bool set_dict(string dict_fpath);
说明：设置分词引擎所采用的词典文件。
参数：dict_path 是词典的路径，可以是相对路径或完全路径。
返回：成功返回 true 失败返回 false。
错误：若有错误会给出 WARNING 级的错误提示。
void set_rule(string rule_path);
说明：设定分词所用的新词识别规则集（用于人名、地名、数字时间年代等识别）。
返回：无。
参数：rule_path 是规则集的路径，可以是相对路径或完全路径。
void set_ignore(bool yes)
说明：设定分词返回结果时是否去除一些特殊的标点符号之类。
返回：无。
参数：yes 设定值，如果为 true 则结果中不返回标点符号，如果为 false 则会返回，缺省为 false。
void set_multi(int mode);
说明：设定分词返回结果时是否复合分割，如“中国人”返回“中国＋人＋中国人”三个词。
返回：无。
参数：mode 设定值，1 ~ 15。
按位与的 1 | 2 | 4 | 8 分别表示: 短词 | 二元 | 主要单字 | 所有单字
void set_duality(bool yes);
说明：设定是否将闲散文字自动以二字分词法聚合。
返回：无。
参数：yes 设定值，如果为 true 则结果中多个单字会自动按二分法聚分，如果为 false 则不处理，缺省为 false。
void set_debug(bool yes);
说明：设置分词过程是否输出N-Path分词过程的调试信息。
参数：yes 设定值，如果为 true 则分词过程中对于多路径分法分给出提示信息。
返回：无。
void send_text(string text)
说明：发送设定分词所要切割的文本。
返回：无。
参数：text 是文本的内容。
注意：执行本函数时，请先加载词典和规则集文件并设好相关选项。
mixed get_result(void)
说明：根据 send_text 设定的文本内容，返回一系列切好的词汇。
返回：成功返回切好的词汇组成的数组， 若无更多词汇，返回 false。
参数：无。
注意：每次切割后本函数应该循环调用，直到返回 false 为止，因为程序每次返回的词数是不确定的。
返回的词汇包含的键值有：word (string, 词本身) idf (folat, 逆文本词频) off (int, 在文本中的位置) attr(string, 词性)
mixed get_tops( [int limit [, string attr]] )
说明：根据 send_text 设定的文本内容，返回系统计算出来的最关键词汇列表。
返回：成功返回切好的词汇组成的数组， 若无更多词汇，返回 false。
参数：limit 可选参数，返回的词的最大数量，缺省是 10；
attr 可选参数，是一系列词性组成的字符串，各词性之间以半角的逗号隔开，
这表示返回的词性必须在列表中，如果以~开头，则表示取反，词性必须不在列表中，
缺省为空，返回全部词性，不过滤。
string version(void);
说明：返回本版号。
返回：版本号（字符串）。
参数：无。
void close(void);
说明：关闭释放资源，使用结束后可以手工调用该函数或等系统自动回收。
返回：无。
参数：无。
};
[返回目录]
由于词典条目多达26万条之巨，在整理的时候已经把很多明显不对的标注或词条清理了，
但仍然肯定有很多错误的条目。
主要表现在不是词的列在词里，还有词性标注错误的。本词典中的标注使用的是北大
版本的标注集（见附录），在使用中发现错误的请大家协助跟踪汇报。这是一个长期
艰巨的任务，希望本着有一纠一的原则。如有汇报，请遵守格式为：
词 原attr 正确attr
--------------------------
XXX - - （表示错误或不需要的词，应删除）不需要的词指能自动识别了的。
XXX n c （原来标注为n 实际应该为 c）
---- 附北大词性标注版本 ----
Ag
形语素
形容词性语素。形容词代码为a，语素代码ｇ前面置以A。
a
形容词
取英语形容词adjective的第1个字母。
ad
副形词
直接作状语的形容词。形容词代码a和副词代码d并在一起。
an
名形词
具有名词功能的形容词。形容词代码a和名词代码n并在一起。
b
区别词
取汉字“别”的声母。
c
连词
取英语连词conjunction的第1个字母。
Dg
副语素
副词性语素。副词代码为d，语素代码ｇ前面置以D。
d
副词
取adverb的第2个字母，因其第1个字母已用于形容词。
e
叹词
取英语叹词exclamation的第1个字母。
f
方位词
取汉字“方”
g
语素
绝大多数语素都能作为合成词的“词根”，取汉字“根”的声母。
h
前接成分
取英语head的第1个字母。
i
成语
取英语成语idiom的第1个字母。
j
简称略语
取汉字“简”的声母。
k
后接成分
l
习用语
习用语尚未成为成语，有点“临时性”，取“临”的声母。
m
数词
取英语numeral的第3个字母，n，u已有他用。
Ng
名语素
名词性语素。名词代码为n，语素代码ｇ前面置以N。
n
名词
取英语名词noun的第1个字母。
nr
人名
名词代码n和“人(ren)”的声母并在一起。
ns
地名
名词代码n和处所词代码s并在一起。
nt
机构团体
“团”的声母为t，名词代码n和t并在一起。
nz
其他专名
“专”的声母的第1个字母为z，名词代码n和z并在一起。
o
拟声词
取英语拟声词onomatopoeia的第1个字母。
ba 介词 把、将
bei 介词 被
p
介词
取英语介词prepositional的第1个字母。
q
量词
取英语quantity的第1个字母。
r
代词
取英语代词pronoun的第2个字母,因p已用于介词。
s
处所词
取英语space的第1个字母。
Tg
时语素
时间词性语素。时间词代码为t,在语素的代码g前面置以T。
t
时间词
取英语time的第1个字母。
dec 助词 的、之
deg 助词 得
di 助词 地
etc 助词 等、等等
as 助词 了、着、过
msp 助词 所
u
其他助词
取英语助词auxiliary
Vg
动语素
动词性语素。动词代码为v。在语素的代码g前面置以V。
v
动词
取英语动词verb的第一个字母。
vd
副动词
直接作状语的动词。动词和副词的代码并在一起。
vn
名动词
指具有名词功能的动词。动词和名词的代码并在一起。
w
其他标点符号
x
非语素字
非语素字只是一个符号，字母x通常用于代表未知数、符号。
y
语气词
取汉字“语”的声母。
z
状态词
取汉字“状”的声母的前一个字母。
[返回目录]
|