ICTCLAS提供C/C++,Java,C#接口。我发现在ubuntu上使用时，配置文件Configure.xml不起作用，因为不管<Tagger>设为On还Off，C版的总是加词性标注，而JNI版的总是不加词性标注。而<GranularityContorl>设为开或关结果都一样。
先给一个C++版的：
#include#include #include #include "/home/orisun/SoftWare/ICTCLAS50_Linux_RHAS_32_C/API/ICTCLAS50.h"int main(int argc, char *argv[]){ char *initPath = "/home/orisun/master/ICTCLAS50_Linux_RHAS_32_C/API"; if (!ICTCLAS_Init(initPath)) { printf("Init fails\n"); return -1; } ICTCLAS_FileProcess(argv[1],argv[2],CODE_TYPE_UTF8, 1); //argv[1]是待分词的文件，argv[2]是输出文件 ICTCLAS_Exit(); return 0;}
注意怎么编译：
g++ ws.c -o ws -L/home/orisun/master/ICTCLAS50_Linux_RHAS_32_C/API -lICTCLAS50 -D OS_LINUX
Java版的
/** * Author: Orisun * Date: Nov 1, 2011 * FileName: WordSeg.java * Function: 用ICTCLAS进行中文分词. */import java.io.File;import ICTCLAS.I3S.AC.ICTCLAS50;public class WordSeg { // 注意一次分词的数目不要太多，控制在一两千，否则会中途崩溃而退出。 public void wordSeg(File srcFile) { if (srcFile.isDirectory()) { File[] childFiles = srcFile.listFiles(); for (File child : childFiles) { wordSeg(child); } } else if (srcFile.isFile()) { try { ICTCLAS50 ictc = new ICTCLAS50(); // 指定Configure.xml和Data directory的存储位置 String argu = "/home/orisun/master/ICTCLAS50_Linux_RHAS_32_JNI/API"; if (ictc.ICTCLAS_Init(argu.getBytes("GB2312")) == false) { System.out.println("Init Fail!"); return; } // 加入用户词典 String usrDict = "/home/orisun/master/ICTCLAS50_Linux_RHAS_32_JNI/API/userdict"; byte[] dictB = usrDict.getBytes(); ictc.ICTCLAS_ImportUserDictFile(dictB, 3); // 保存用户词典 ictc.ICTCLAS_SaveTheUsrDic(); // 对文件进行分词，分词后的结果保存在新文件中 File parent = new File(srcFile.getParent() + "_ws/"); parent.mkdir(); String name = srcFile.getName(); File ResFile = new File(parent, name); ResFile.createNewFile(); // 这里的参数“3”指定了待分词的文件是UTF-8编码 if (ictc.ICTCLAS_FileProcess(srcFile.getAbsolutePath() .getBytes(), 3, 0, ResFile.getAbsolutePath().getBytes()) == false) { System.out.println(srcFile + "文件分词失败."); return; } ictc.ICTCLAS_Exit(); // 释放分词组件资源 } catch (Exception e) { e.printStackTrace(); } } } public static void main(String[] args) { WordSeg inst=new WordSeg(); File file=new File("/home/orisun/master/fudan_corpus/train/C39-Sports"); inst.wordSeg(file); }} 说明一下代码中添加的用户词典内容如下：
收稿@@v
盛唐@@n二次@@adj仿真@@n与时俱进@@adv原刊@@n期号@@n页号@@n欧几里德@@n地大物博@@adjICTCLAS5.0的文档中说“系统内核全新升级。支持多线程调用。”可是当我试图开两个线程来分别对训练集和测试集进行分词时，JVM发生致命错误。还没有尝试C/C++版的是否支持多线程。