C#分词算法
分词算法的正向和逆向非常简单，设计思路可以参考这里:
中文分词入门之最大匹配法 我爱自然语言处理 http://www.52nlp.cn/maximum-matching-method-of-chinese-word-segmentation
正向最大匹配，简单来说，就是分词的时候，每次读取最大长度，比如7个字。然后去词典看，有没有这个词，没有，就减少一个字，再去词典找有没有这个词。
如此循环，直到找到为止。然后继续从字符串读取7个字，再去词典匹配，如此循环。直到整个字符串处理完毕。
逆向就是反过来，从右往左匹配，思路一样，不过分词之后，要反转排序，才是正常人的阅读顺序。
一般来说，逆向匹配，比正向匹配准确率高不少。
但是，在使用搜狗拼音的17万词库作为词典后，正向匹配的准确率，明显比逆向匹配高。
原因是，搜狗拼音的词库，为了处理生活中非常随意的文字输入，每次输入一个随意的短语或者错别字，就创建了一个新词。因此，这个词库有大量废词和错词。
比如：
<ns1:InputString>yao4 zhuang1</ns1:InputString> <ns1:OutputString>要装</ns1:OutputString> </ns1:DictionaryEntry> <ns1:DictionaryEntry> <ns1:InputString>yao4 zhuang1 qu1 dong4</ns1:InputString> <ns1:OutputString>要装驱动</ns1:OutputString> </ns1:DictionaryEntry> <ns1:DictionaryEntry> <ns1:InputString>yao4 zhuang4 tai4</ns1:InputString> <ns1:OutputString>要状态</ns1:OutputString> </ns1:DictionaryEntry> <ns1:DictionaryEntry> <ns1:InputString>yao4 zhui1 cha2</ns1:InputString> <ns1:OutputString>要追查</ns1:OutputString> </ns1:DictionaryEntry>
逆向分词的时候，无数的废词，会导致分词选择比较乱。但如果是刚装的搜狗拼音输入法，并导出词库，应该就没有这些问题了。
而双向匹配，就是进行正向 + 逆向匹配。
如果 正反向分词结果一样，说明没有歧义，就是分词成功。
如果 正反向结果不一样，说明有歧义，就要处理。
双向匹配，关键就在消除歧义的方法上。
常见的歧义消除方法，比如，从正反向的分词结果中：选择分词数量较少的那个 或者 选择单字较少的那个 或者 选择分词长度方差最小的那个。
还有个据说效果很好的方法是：罚分策略。
简单来说，就是有很多中文字，几乎是永远不会单独出现的，总是作为一个词出现。那么，就单独做个字典，把这些字加进去。
如果分词结果中，包含这样的单字，说明这个分词结果有问题，就要扣分。每出现一个，就扣一分。正反分词结果经过扣分之后，哪个扣分少，哪个就是最优结果。
这个策略听起来很凭感觉，很麻烦。但我发现这个思路可以用于解决一个很头痛的问题：多音字。
多音字，按道理，就不应该单独出现，不然鬼知道它应该读什么。
因此，通过检查分词结果中，是否存在单独的多音字，就知道分词结果是否优秀。
中文的多音字是如此之多，因此这个办法效果应该会相当不错。
而我自己，则小小创新了一下，做了个贪吃蛇法，来消除歧义。
思路是这样的：要进行分词的字符串，就是食物。有2个贪吃蛇，一个从左向右吃；另一个从右向左吃。只要左右分词结果有歧义，2条蛇就咬下一口。贪吃蛇吃下去的字符串，就变成分词。
如果左右分词一直有歧义，两条蛇就一直吃。两条蛇吃到字符串中间交汇时，就肯定不会有歧义了。
这时候，左边贪吃蛇肚子里的分词，中间没有歧义的分词，右边贪吃蛇肚子里的分词，3个一拼，就是最终的分词结果。
程序上，是这样的：
对字符串进行左右（正反）分词，如果有歧义，就截取字符串两头的第一个分词，作为最终分词结果的两头。
两头被各吃一口的字符串，就变短了。这个变短的字符串，重新分词，再次比较左右分词有没有歧义。
如果一直有歧义，就一直循环。直到没有歧义，或者字符串不断被从两头截短，最后什么也不剩下，也就不可能有歧义了。
这个方法，就是把正向分词结果的左边，和反向分词结果的右边，不断的向中间进行拼接，最终得到分词结果。
算法设计原因：
我发现，人在阅读中文的时候，并不完全是从左向右读的。
当一句话有重大歧义，大脑不能立马找到合理解释的时候，会本能的开始尝试从后往前去看这句话，试图找到一个合理的解释。
就像中学生做数学证明题时，正向推导很困难，就会尝试逆向推导。然后发现，正向推导的中间产物 和 逆向推导的中间产物，刚好一致，于是证明题完成。
这个贪吃蛇算法，就是基于这个原因而设计。
不过我暂时没法去验证这个算法是否真的优越。
因为我没有去优化词库。。。现在用的是我从搜狗拼音导出来的原生词库，里面有我多年上网形成的无数错别字词条。。。而且由于我个人的兴趣偏向，我导出的词库，缺少大量常用词。比如“名著”这个词。这辈子没用到过。。。
最后，贴上这个分词算法类的完整代码，直接就能用：
包含了 正反向最大匹配，双向匹配，以及贪吃蛇消除歧义法
using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;namespace TextToPinyin.Helper
{/// <summary>/// 分词算法/// </summary>static class Segmentation{/// <summary>/// 用最大匹配算法进行分词，正反向均可。/// 为了节约内存，词典参数是引用传递/// </summary>/// <param name="inputStr">要进行分词的字符串</param>/// <param name="wordList">词典</param>/// <param name="leftToRight">true为从左到右分词，false为从右到左分词</param>/// <param name="maxLength">每个分词的最大长度</param>/// <returns>储存了分词结果的字符串数组</returns>public static List<string> SegMM(string inputStr, ref List<string> wordList, bool leftToRight, int maxLength){//指定词典不能为空if (wordList == null)return null;//指定要分词的字符串也不能为空if (string.IsNullOrEmpty(inputStr))return null;//取词的最大长度，必须大于0if (!(maxLength > 0))return null;//分词的方向，true=从左到右,false=从右到左//用于储存正向分词的字符串数组List<string> segWords = new List<string>();//用于储存逆向分词的字符串数组List<string> segWordsReverse = new List<string>();//用于尝试分词的取词字符串string word = "";//取词的当前长度int wordLength = maxLength;//分词操作中，处于字符串中的当前位置int position = 0;//分词操作中，已经处理的字符串总长度int segLength = 0;//开始分词，循环以下操作，直到全部完成while (segLength < inputStr.Length){//如果还没有进行分词的字符串长度，小于取词的最大长度，则只在字符串长度内处理if ((inputStr.Length - segLength) < maxLength)wordLength = inputStr.Length - segLength;//否则，按最大长度处理elsewordLength = maxLength;//从左到右 和 从右到左截取时，起始位置不同//刚开始，截取位置是字符串两头，随着不断循环分词，截取位置会不断推进if (leftToRight)position = segLength;elseposition = inputStr.Length - segLength - wordLength;//按照指定长度，从字符串截取一个词word = inputStr.Substring(position, wordLength);//在字典中查找，是否存在这样一个词//如果不包含，就减少一个字符，再次在字典中查找//如此循环，直到只剩下一个字为止while (!wordList.Contains(word)){//如果只剩下一个单字，就直接退出循环if (word.Length == 1)break;//把截取的字符串，最边上的一个字去掉//注意，从左到右 和 从右到左时，截掉的字符的位置不同if (leftToRight)word = word.Substring(0, word.Length - 1);elseword = word.Substring(1);}//将分出的词，加入到分词字符串数组中，正向和逆向不同if (leftToRight)segWords.Add(word);elsesegWordsReverse.Add(word);//已经完成分词的字符串长度，要相应增加segLength += word.Length;}//如果是逆向分词，还需要对分词结果反转排序if (!leftToRight){for (int i = 0; i < segWordsReverse.Count; i++){//将反转的结果，保存在正向分词数组中segWords.Add(segWordsReverse[segWordsReverse.Count - 1 - i]);}}//返回储存着正向分词的字符串数组return segWords;}/// <summary>/// 用最大匹配算法进行分词，正反向均可，每个分词最大长度是7。/// 为了节约内存，词典参数是引用传递/// </summary>/// <param name="inputStr">要进行分词的字符串</param>/// <param name="wordList">词典</param>/// <param name="leftToRight">true为从左到右分词，false为从右到左分词</param>/// <returns>储存了分词结果的字符串数组</returns>public static List<string> SegMM(string inputStr, ref List<string> wordList, bool leftToRight){return SegMM(inputStr, ref wordList, leftToRight, 7);}/// <summary>/// 用最大匹配算法进行分词，正向，每个分词最大长度是7。/// 为了节约内存，词典参数是引用传递/// </summary>/// <param name="inputStr">要进行分词的字符串</param>/// <param name="wordList">词典</param>/// <returns>储存了分词结果的字符串数组</returns>public static List<string> SegMMLeftToRight(string inputStr, ref List<string> wordList){return SegMM(inputStr, ref wordList, true, 7);}/// <summary>/// 用最大匹配算法进行分词，反向，每个分词最大长度是7。/// 为了节约内存，词典参数是引用传递/// </summary>/// <param name="inputStr">要进行分词的字符串</param>/// <param name="wordList">词典</param>/// <returns>储存了分词结果的字符串数组</returns>public static List<string> SegMMRightToLeft(string inputStr, ref List<string> wordList){return SegMM(inputStr, ref wordList, false, 7);}/// <summary>/// 比较两个字符串数组，是否所有内容完全相等。/// 为了节约内存，参数是引用传递/// </summary>/// <param name="strList1">待比较字符串数组01</param>/// <param name="strList2">待比较字符串数组02</param>/// <returns>完全相同返回true</returns>private static bool CompStringList(ref List<string> strList1, ref List<string> strList2){//待比较的字符串数组不能为空if (strList1 == null || strList2 == null)return false;//待比较的字符串数组长度不同，就说明不相等if (strList1.Count != strList2.Count)return false;else{//逐个比较数组中，每个字符串是否相同for (int i = 0; i < strList1.Count; i++){//只要有一个不同，就说明字符串不同if (strList1[i] != strList2[i])return false;}}return true;}/// <summary>/// 用最大匹配算法进行分词，双向，每个分词最大长度是7。/// 为了节约内存，字典参数是引用传递/// </summary>/// <param name="inputStr">要进行分词的字符串</param>/// <param name="wordList">词典</param>/// <returns>储存了分词结果的字符串数组</returns>public static List<string> SegMMDouble(string inputStr, ref List<string> wordList){//用于储存分词的字符串数组//正向List<string> segWordsLeftToRight = new List<string>();//逆向List<string> segWordsRightToLeft = new List<string>();//定义拼接后的分词数组List<string> segWordsFinal = new List<string>();//用于保存需要拼接的左、右、中间分词碎块List<string> wordsFromLeft = new List<string>();List<string> wordsFromRight = new List<string>();List<string> wordsAtMiddle = new List<string>();//通过循环，进行正反向分词，如果有歧义，就截短字符串两头，继续分词，直到消除歧义，才结束//整个思路就像贪吃蛇，从两头，一直吃到中间，把一个字符串吃完。////每次循环，得到正反向分词后，进行比较，判断是否有歧义//如果没有歧义，贪吃蛇就不用继续吃了，把分词结果保存，待会用于拼接//如果有歧义，就取正向分词的第一个词，和反向分词的最后一个词，拼接到最终分词结果的头尾//而输入字符串，则相应的揭短掉头尾，得到的子字符串，重新进行正反向分词//如此循环，直到完成整个输入字符串////循环结束之后，就是把上面"贪吃蛇"吃掉的左、右分词结果以及没有歧义的中间分词结果，拼接起来。//进行正反向分词//正向segWordsLeftToRight = SegMMLeftToRight(inputStr, ref wordList);//逆向segWordsRightToLeft = SegMMRightToLeft(inputStr, ref wordList);//判断两头的分词拼接，是否已经在输入字符串的中间交汇，只要没有交汇，就不停循环while ((segWordsLeftToRight[0].Length + segWordsRightToLeft[segWordsRightToLeft.Count-1].Length) < inputStr.Length){//如果正反向的分词结果相同，就说明没有歧义，可以退出循环了//正反向分词中，随便取一个，复制给middle的临时变量即可if (CompStringList(ref segWordsLeftToRight, ref segWordsRightToLeft)){wordsAtMiddle = segWordsLeftToRight.ToList<string>();break;}//如果正反向分词结果不同，则取分词数量较少的那个，不用再循环if (segWordsLeftToRight.Count < segWordsRightToLeft.Count){wordsAtMiddle = segWordsLeftToRight.ToList<string>();break;}else if (segWordsLeftToRight.Count > segWordsRightToLeft.Count){wordsAtMiddle = segWordsRightToLeft.ToList<string>();break;}//如果正反分词数量相同，则返回其中单字较少的那个，也不用再循环{//计算正向分词结果中，单字的个数int singleCharLeftToRight = 0;for (int i = 0; i < segWordsLeftToRight.Count; i++){if (segWordsLeftToRight[i].Length == 1)singleCharLeftToRight++;}//计算反向分词结果中，单字的个数int singleCharRightToLeft = 0;for (int j = 0; j < segWordsRightToLeft.Count; j++){if (segWordsRightToLeft[j].Length == 1)singleCharRightToLeft++;}//比较单字个数多少，返回单字较少的那个if (singleCharLeftToRight < singleCharRightToLeft){wordsAtMiddle = segWordsLeftToRight.ToList<string>();break;}else if (singleCharLeftToRight > singleCharRightToLeft){wordsAtMiddle = segWordsRightToLeft.ToList<string>();break;}}//如果以上措施都不能消除歧义，就需要继续循环//将正向"贪吃蛇"的第一个分词，放入临时变量中，用于结束循环后拼接wordsFromLeft.Add(segWordsLeftToRight[0]);//将逆向"贪吃蛇"的最后一个分词，放入临时变量，用于结束循环后拼接wordsFromRight.Add(segWordsRightToLeft[segWordsRightToLeft.Count-1]);//将要处理的字符串从两头去掉已经分好的词inputStr = inputStr.Substring(segWordsLeftToRight[0].Length);inputStr = inputStr.Substring(0, inputStr.Length - segWordsRightToLeft[segWordsRightToLeft.Count - 1].Length);//继续次循环分词//分词之前，清理保存正反分词的变量，防止出错segWordsLeftToRight.Clear();segWordsRightToLeft.Clear();//进行正反向分词//正向segWordsLeftToRight = SegMMLeftToRight(inputStr, ref wordList);//逆向segWordsRightToLeft = SegMMRightToLeft(inputStr, ref wordList);}//循环结束，说明要么分词没有歧义了，要么"贪吃蛇"从两头吃到中间交汇了//如果是在中间交汇，交汇时的分词结果，还要进行以下判断：//如果中间交汇有重叠了：// 正向第一个分词的长度 + 反向最后一个分词的长度 > 输入字符串总长度，就直接取正向的// 因为剩下的字符串太短了，2个分词就超出长度了if ((segWordsLeftToRight[0].Length + segWordsRightToLeft[segWordsRightToLeft.Count-1].Length) > inputStr.Length){wordsAtMiddle = segWordsLeftToRight.ToList<string>();}//如果中间交汇，刚好吃完，没有重叠：// 正向第一个分词 + 反向最后一个分词的长度 = 输入字符串总长度，那么正反向一拼即可else if ((segWordsLeftToRight[0].Length + segWordsRightToLeft[segWordsRightToLeft.Count - 1].Length) == inputStr.Length){wordsAtMiddle.Add(segWordsLeftToRight[0]);wordsAtMiddle.Add(segWordsRightToLeft[segWordsRightToLeft.Count - 1]);}//将之前"贪吃蛇"正反向得到的分词，以及中间没有歧义的分词，进行合并。//将左边的贪吃蛇的分词，添加到最终分词词组foreach (string wordLeft in wordsFromLeft){segWordsFinal.Add(wordLeft);}//将中间没有歧义的分词，添加到最终分词词组foreach (string wordMiddle in wordsAtMiddle){segWordsFinal.Add(wordMiddle);}//将右边的贪吃蛇的分词，添加到最终分词词组，注意，右边的添加是逆向的for (int i = 0; i < wordsFromRight.Count; i++ ){segWordsFinal.Add(wordsFromRight[wordsFromRight.Count-1-i]);}//返回完成的最终分词return segWordsFinal;}}
}
出处：https://my.oschina.net/butaixianran/blog/164042
====================================================
本文用到的库下载：点此下载
词库下载：点此下载
将词库直接放到项目根目录
词库设置如下：
类库说明
词库查看程序：点此下载
可以在上面的程序中添加常用行业词库 还可以通过下面的类在程序中实现
完整的盘古release：点此下载
最新字典文件下载位置 http://pangusegment.codeplex.com/releases/view/47411 默认字典位置为 ..\Dictionaries 你可以通过设置PanGu.xml 文件来修改字典的位置 Demo.exe 分词演示程序 DictManage.exe 字典管理程序 PanGu.xml 分词配置文件 PanGu.HighLight.dll 高亮组件
Lucene.Net
Lucene.net是Lucene的.net移植版本，是一个开源的全文检索引擎开发包，即它不是一个完整的全文检索引擎，而是一个全文检索引擎的架构，是一个Library.你也可以把它理解为一个将索引,搜索功能封装的很好的一套简单易用的API(提供了完整的查询引擎和索引引擎)。利用这套API你可以做很多有关搜索的事情,而且很方便.。开发人员可以基于Lucene.net实现全文检索的功能。
注意：Lucene.Net只能对文本信息进行检索。如果不是文本信息，要转换为文本信息，比如要检索Excel文件，就要用NPOI把Excel读取成字符串，然后把字符串扔给Lucene.Net。Lucene.Net会把扔给它的文本切词保存，加快检索速度。
ok,接下来就细细详解下士怎样一步一步实现这个效果的。
Lucene.Net 核心——分词算法（Analyzer）
学习Lucune.Net，分词是核心。当然最理想状态下是能自己扩展分词，但这要很高的算法要求。Lucene.Net中不同的分词算法就是不同的类。所有分词算法类都从Analyzer类继承，不同的分词算法有不同的优缺点。
内置的StandardAnalyzer是将英文按照空格、标点符号等进行分词，将中文按照单个字进行分词，一个汉字算一个词
namespace EazyCMS.Common
{/// <summary>/// 分词类/// </summary>public class Participle{public List<string> list = new List<string>();public void get_participle(){Analyzer analyzer = new StandardAnalyzer(); TokenStream tokenStream = analyzer.TokenStream("",new StringReader("Hello Lucene.Net,我1爱1你China")); Lucene.Net.Analysis.Token token = null; while ((token = tokenStream.Next()) != null) {//Console.WriteLine(token.TermText()); string s = token.TermText();} }}
}
二元分词算法，每两个汉字算一个单词，“我爱你China”会分词为“我爱 爱你 china”，点击查看二元分词算法CJKAnalyzer。
namespace EazyCMS.Common
{/// <summary>/// 分词类/// </summary>public class Participle{public List<string> list = new List<string>();public void get_participle(){//ErAnalyzer analyzer = new CJKAnalyzer();TokenStream tokenStream = analyzer.TokenStream("", new StringReader("我爱你中国China中华人名共和国"));Lucene.Net.Analysis.Token token = null;while ((token = tokenStream.Next()) != null){Response.Write(token.TermText() + "<br/>");}}}
}
这时，你肯定在想，上面没有一个好用的，二元分词算法乱枪打鸟，很想自己扩展Analyzer，但并不是算法上的专业人士。怎么办？
天降圣器，盘古分词，
盘古分词的用法 首先引用以上的盘古dll 文件
将xml文件放在项目的根目录下
<?xml version="1.0" encoding="utf-8"?> <PanGuSettings xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns:xsd="http://www.w3.org/2001/XMLSchema" xmlns="http://www.codeplex.com/pangusegment"><DictionaryPath>Dict</DictionaryPath><MatchOptions><ChineseNameIdentify>true</ChineseNameIdentify><FrequencyFirst>false</FrequencyFirst><MultiDimensionality>false</MultiDimensionality><EnglishMultiDimensionality>true</EnglishMultiDimensionality><FilterStopWords>true</FilterStopWords><IgnoreSpace>true</IgnoreSpace><ForceSingleWord>false</ForceSingleWord><TraditionalChineseEnabled>false</TraditionalChineseEnabled><OutputSimplifiedTraditional>false</OutputSimplifiedTraditional><UnknownWordIdentify>true</UnknownWordIdentify><FilterEnglish>false</FilterEnglish><FilterNumeric>false</FilterNumeric><IgnoreCapital>false</IgnoreCapital><EnglishSegment>false</EnglishSegment><SynonymOutput>false</SynonymOutput><WildcardOutput>false</WildcardOutput><WildcardSegment>false</WildcardSegment><CustomRule>false</CustomRule></MatchOptions><Parameters><UnknowRank>1</UnknowRank><BestRank>5</BestRank><SecRank>3</SecRank><ThirdRank>2</ThirdRank><SingleRank>1</SingleRank><NumericRank>1</NumericRank><EnglishRank>5</EnglishRank><EnglishLowerRank>3</EnglishLowerRank><EnglishStemRank>2</EnglishStemRank><SymbolRank>1</SymbolRank><SimplifiedTraditionalRank>1</SimplifiedTraditionalRank><SynonymRank>1</SynonymRank><WildcardRank>1</WildcardRank><FilterEnglishLength>0</FilterEnglishLength><FilterNumericLength>0</FilterNumericLength><CustomRuleAssemblyFileName>CustomRuleExample.dll</CustomRuleAssemblyFileName><CustomRuleFullClassName>CustomRuleExample.PickupVersion</CustomRuleFullClassName><Redundancy>0</Redundancy></Parameters> </PanGuSettings>
在全局文件中填入以下代码
protected void Application_Start(object sender, EventArgs e){//log4net.Config.XmlConfigurator.Configure();//logger.Debug("程序开始");Segment.Init(HttpContext.Current.Server.MapPath("~/PanGu.xml"));}
分词方法
Segment segment = new Segment();var ss = segment.DoSegment("海信的,家就看到");foreach (var s in ss){string sa = s.Word;}
设置过滤词（注意这里的过滤词不要放在第一个上）
出处：https://www.cnblogs.com/yabisi/p/6038299.html
如果，您希望更容易地发现我的新博客，不妨点击一下绿色通道的【关注我】。(●'◡'●)
如果你觉得本篇文章对你有所帮助，请给予我更多的鼓励，求打 付款后有任何问题请给我留言!!!
因为，我的写作热情也离不开您的肯定支持，感谢您的阅读，我是【Jack_孟】！
