下载NLPIR-ICTCLAS2014的下载包，快速传送门：
http://ictclas.nlpir.org/upload/20140618094605_ICTCLAS2014.zip
需要有自己的词库(其实没有都没问题，词库只是我自己需要用到的，某个方面的词汇，来帮助进行页面分析的)
首先来看一下整个文件夹的结构
Data文件夹中，含有分词需要用到的字典，Configure.xml里面有相关的描述信息；doc里面是使用帮助(介绍了基本需要使用到的函数接口)；include、lib自然是我们主要用到的；sample是示例代码；test里面有一个exe示例；授权自然是License，应该是通过某种形式来限制我们的使用的，目前暂时还不清楚，如果到时候被限制，还需要进行调试。
从上面来看，我们需要用到的主要有三个文件夹Data、include、lib(我是打算做的32位程序，所以只需要用里面的
lib\win32下的dll和lib)
这时，工程目录就变成这样的(当然NLPIR.dll需要和exe放在一块)：
第一个例子，比较简单，就简单使用几个常用的函数：
// test_nlpir.cpp : 定义控制台应用程序的入口点。
//
#include "stdafx.h"
#include "iostream"
#include "string"
using namespace std;
#include "NLPIR.h"
#pragma comment(lib, "NLPIR.lib")
int _tmain(int argc, _TCHAR* argv[])
{
if(!NLPIR_Init())
{
printf("Init fails\n");
return -1;
}
const char *participle_result;
const char *sentence = "[整租出租]宣武门西大街4号楼二居整租[整套出租]媒体村天居园大两居[整套出租]媒体村天居园大两居";
cout << "===============NLPIR_ParagraphProcess==================" << endl;
participle_result = NLPIR_ParagraphProcess(sentence,1);
cout << participle_result << endl;
cout << "=================================" << endl;
cout << "==============NLPIR_GetFileNewWords===================" << endl;
const char * get_file_new_words = NLPIR_GetFileNewWords("test.txt");
cout << get_file_new_words << endl;
cout << "=================================" << endl;
cout << "===============NLPIR_GetKeyWords==================" << endl;
const char * get_key_words = NLPIR_GetKeyWords(sentence);
cout << get_key_words << endl;
cout << "=================================" << endl;
cout << "===============NLPIR_GetFileKeyWords==================" << endl;
const char * get_file_key_words = NLPIR_GetFileKeyWords("test.txt");
cout << get_file_key_words << endl;
cout << "=================================" << endl;
cout << "===============NLPIR_GetNewWords==================" << endl;
const char * get_new_words = NLPIR_GetNewWords(sentence);
cout << get_new_words << endl;
cout << "=================================" << endl;
NLPIR_Exit();
return 0;
}
函数可以按照字面上的意思来理解
这是输出的结果：
但明显是看到，上面的分词有些小问题，如果我们在给聚类算法喂数据的时候，这样的分词，会出现一定的问题
我们有两种方法来处理这个问题
a、这也许是最简单、也最方便的方法
当然，他除了一些繁琐之外(如果你有了一些需要的数据词条、词典就我所谓了)，我们可以新建一个词典文件(比
如我这个测试用例中使用user_dic.txt，他里面包含我们需要具体分开的词组)：
那么来看下面是如何具体使用字典的：
// test_nlpir.cpp : 定义控制台应用程序的入口点。
//
#include "stdafx.h"
#include "iostream"
#include "string"
using namespace std;
#include "NLPIR.h"
#pragma comment(lib, "NLPIR.lib")
int _tmain(int argc, _TCHAR* argv[])
{
if(!NLPIR_Init())
{
printf("Init fails\n");
return -1;
}
const char *participle_result;
unsigned int add_dic_items = NLPIR_ImportUserDict("user_dic.txt");//Import user dictionary
printf("%d user-defined lexical entries added!\n", add_dic_items);
const char *sentence = "[整租出租]宣武门西大街4号楼二居整租[整套出租]媒体村天居园大两居[整套出租]媒体村天居园大两居";
cout << "===============NLPIR_ParagraphProcess==================" << endl;
participle_result = NLPIR_ParagraphProcess(sentence,1);
cout << participle_result << endl;
cout << "=================================" << endl;
cout << "==============NLPIR_GetFileNewWords===================" << endl;
const char * get_file_new_words = NLPIR_GetFileNewWords("test.txt");
cout << get_file_new_words << endl;
cout << "=================================" << endl;
cout << "===============NLPIR_GetKeyWords==================" << endl;
const char * get_key_words = NLPIR_GetKeyWords(sentence);
cout << get_key_words << endl;
cout << "=================================" << endl;
cout << "===============NLPIR_GetFileKeyWords==================" << endl;
const char * get_file_key_words = NLPIR_GetFileKeyWords("test.txt");
cout << get_file_key_words << endl;
cout << "=================================" << endl;
cout << "===============NLPIR_GetNewWords==================" << endl;
const char * get_new_words = NLPIR_GetNewWords(sentence);
cout << get_new_words << endl;
cout << "=================================" << endl;
NLPIR_Exit();
return 0;
}
这是使用字典之后的分词结果：
可以看到，我们想要切分的词组都已经出来了，也不再有任何新词出现了
b、通过多个样本(也就是多条数据)来进行分词，这样我们需要用到的词的频率便会增长(有的词只出现1、2次并不会
被识别出来)，这样在GetNewWords中，便能够得到一些我们想法的数据，得到这些数据之后，可以写到文本中，然
后再写到用户字典中
这里只演示第一步，看看是如何通过增加多条数据来扩大GetNewWords的结果的。
其实很简单，只需要把第一个例子中的测试字符串修改成如下(同样的test.txt对应的字符串也跟着修改)：
const char *sentence = "[整租出租]宣武门西大街4号楼二居整租 [整套出租]媒体村天居园大两居 【房主出租】万柳中路康桥水郡一居室 【个人出租】 上地桥东清上园小区开间58平 3个月转租 【中关村保福寺桥南】 两居中的主卧 【整套长期出租】海淀安宁佳园安宁庄一居整租（房东直租） [单间出租]造甲街南里20号院二居大间 [个人诚心出租]世纪金源附近，远大园四区11号楼三居次卧 【房主1居直租】6号线地铁十里堡站炫特嘉园1居（限1人女） [单间出租]10号线西土城牡丹园北影黄亭子小区二居之一 [整套出租]西二旗智学苑三居整套 [房主整套出租]清河地铁8号线西小口站精装三居整套 [单间出租]清华校内单间 [北京大学西南门海淀桥南大河庄苑精装修一居室整套出租出租]苏 [求助]求租上地东里/西里/佳园/农大南路2号院 干净舒适带电梯两 [求助]转租 西单/金融街/二龙路两居室 [整套出租]财经大学附近皂君庙一居整套 北沙滩科学院南里50米一居简装3400元转租，需要的站内索取转租 招合租 中关村知春里海淀黄庄地铁站 人大附中对面 正规三居 【个人出租】回龙观地铁附近两居中的主卧和次卧，也可以整租 个人出租 [整套出租]朝阳区南沙滩小区一居整套 （个人转租）新龙城二期14平米正规次卧 1000元 个人出租：温泉镇尚峰尚水小区精装半地下二居 【昌平沙河高教园一区小两居】【2450家电全齐全新】 个人求租,石景山八角附近二居室 个人出租保利西山林语90平二居室 2014-7-30存量房网上签约 明天决定先涨10%的房租，为房产税做准备，得未雨绸缪啊 今晚新闻调查，心全凉了：转基因米实际已经扩散(12) 全款求购万年花城两居室(19) 问一个初级问题：校友卡大家都什么额度？我5k(15) 再问一个小白问题(8) 网友评怕老婆城市排行榜：成都第二上海居首(14) 清华大学东 八家嘉苑 61平米 全南向正规一居 看图 240万(1) 110平米新房求靠谱装修团队、设计、报价 五道口学区房 满五年唯一两居 急售260万 父母随迁落户 能否申请政策房 房子南面离马路60米，西面紧挨着小学和中学，19层，会吵吗 学区房在涨吗 好几个中介打电话说房价要开始上涨了 【整套出租】6号线黄渠站苹果派小区77平2居 个人出租]海淀区五道口华联南暂安处 朝北主卧合租 无中介费近地 【房屋整租】芍药居北里2居室房主首次出租 [出租] 中关村北大西门单间 [求助]求租 上地 当代城市家园或怡美家园两居或者三居 一家人住 [整套出租]五道口东升园一室一厅南北通透全明实木家具地板家电";
这些数据，也是通过web页面得到的
现在来看看结果：
使用NLPIR-ICTCLAS2014分词系统,布布扣,bubuko.com
原文地址：http://blog.csdn.net/zengraoli/article/details/38368513
