NodeJieba 结巴分词的 Node.js 版本

Question

NodeJieba 是结巴中文分词的 Node.js 版本实现， 由 CppJieba 提供底层分词算法实现， 是兼具高性能和易用性两者的 Node.js 中文分词组件。

特点

• 词典载入方式灵活，无需配置词典路径也可使用，需要定制自己的词典路径时也可灵活定制。
• 底层算法实现是C++，性能高效。
• 支持多种分词算法，各种分词算法见CppJieba的README.md介绍。
• 支持动态补充词库。

下载

npm install nodejieba

因为npm速度很慢而且经常因为墙的原因出现莫名其妙的问题，可以试试使用cnpm，命令如下：

npm --registry=http://r.cnpmjs.org install nodejieba

用法

var nodejieba = require("nodejieba");
var result = nodejieba.cut("南京市长江大桥");
console.log(result);
//["南京市","长江大桥"]

更详细的其他用法请看 test/demo.js

词典载入可灵活配置

如果没有主动调用词典函数时， 则会在第一次调用cut等功能函数时，自动载入默认词典。

如果要主动触发词典载入，则使用以下函数主动触发。

nodejieba.load();

以上用法会自动载入所有默认词典， 如果需要载入自己的词典，而不是默认词典。 比如想要载入自己的用户词典，则使用以下函数：

nodejieba.load({
  userDict: './test/testdata/userdict.utf8',
});

字典载入函数load的参数项都是可选的， 如果没有对应的项则自动填充默认参数。 所以上面这段代码和下面这代代码是等价的。

nodejieba.load({
  dict: nodejieba.DEFAULT_DICT,
  hmmDict: nodejieba.DEFAULT_HMM_DICT,
  userDict: './test/testdata/userdict.utf8',
  idfDict: nodejieba.DEFAULT_IDF_DICT,
  stopWordDict: nodejieba.DEFAULT_STOP_WORD_DICT,
});

【词典说明】

• dict: 主词典，带权重和词性标签，建议使用默认词典。
• hmmDict: 隐式马尔科夫模型，建议使用默认词典。
• userDict: 用户词典，建议自己根据需要定制。
• idfDict: 关键词抽取所需的idf信息。
• stopWordDict: 关键词抽取所需的停用词列表。

词性标注

var nodejieba = require("nodejieba");
console.log(nodejieba.tag("红掌拨清波"));
//[ { word: '红掌', tag: 'n' },
//  { word: '拨', tag: 'v' },
//  { word: '清波', tag: 'n' } ]

更详细的其他用法请看 test/demo.js

关键词抽取

var nodejieba = require("nodejieba");
var topN = 4;
console.log(nodejieba.extract("升职加薪，当上CEO，走上人生巅峰。", topN));
//[ { word: 'CEO', weight: 11.739204307083542 },
//  { word: '升职', weight: 10.8561552143 },
//  { word: '加薪', weight: 10.642581114 },
//  { word: '巅峰', weight: 9.49395840471 } ]

更详细的其他用法请看 test/demo.js

测试

以下版本中测试通过:

• node v0.10.2
• node v0.12.1
• iojs v1.3.0
• iojs v2.2.1
• node v4.0.0
• node v5.7.0

应用

• 支持中文搜索的 gitbook 插件: gitbook-plugin-search-pro
• 汉字拼音转换工具: pinyin

github 地址：https://github.com/yanyiwu/nodejieba