中文分词器如何选择 jieba ik-analyzer ansj_seg HanLP

一、几个项目github star对比

在网上可以看到很多中文分词器的文章，但是都没说明白到底选择什么。当然一般来说没有最好的只有最合适的，在分词能力、繁体支持等等都可考虑的方向。当然github上的star也可以作为开源项目选择的一个依据。

• HanLP github 21.4k star

https://github.com/hankcs/HanLPgithub.com/hankcs/HanLP

• jieba github 29.6k star

https://github.com/fxsjy/jieba

• ik-analyzer github 589 star

可以看到ik-analyzer和es solr等都有集成好像589star比较少，当然ik-analyzer主要是在code.google里，当最近一次code.google更新的版本也只是2012年的版本

https://github.com/wks/ik-analyzergithub.com/wks/ik-analyzer

• ansj_seg 5.7k

https://github.com/NLPchina/ansj_seg​github.com/NLPchina/ansj_seg

个人建议使用jieba分词器

二、具体说明

（1）Hanlp分词器

hankcs/HanLP​github.com/hankcs/HanLP

最短路径分词，有中文分词、词性标注、新词识别、命名实体识别、自动摘要、文本聚类、情感分析、词向量word2vec等功能，支持自定义词典；

采用HMM、CRF、TextRank、word2vec、聚类、神经网络等算法；

支持Java，C++，Python语言；

（2）结巴分词

https://github.com/fxsjy/jieba​github.com/fxsjy/jieba

找出基于词频的最大切分组合，有中文分词、关键词提取、词性标注功能，支持自定义词典；

采用HMM模型、 Viterbi算法；

支持Java，C++，Python语言；

（3）哈工大的LTP

HIT-SCIR/ltp​github.com/HIT-SCIR/ltp

有中文分词、词性标注、句法分析等功能；

商用需付费；调用接口，每秒请求的次数有限制；

编写语言有C++、Python、Java版；

（4）清华大学THULAC

thunlp/THULAC​github.com/thunlp/THULAC

有中文分词、词性标注功能；

有Java、Python和C++版本；

（5）北京大学 pkuseg

lancopku/pkuseg-python​github.com/lancopku/PKUSeg-python

支持按领域分词、有词性标注功能、支持用户自训练模型；

基于CRF模型、自研的ADF训练方法；

有python版本；

（6）斯坦福分词器

The Stanford Natural Language Processing Group​nlp.stanford.edu/software/segmenter.shtml

支持多语言分词包括中英文，提供训练模型接口，也可用已有模型，但速度较慢；

Java实现的CRF算法；

（7）KCWS分词器

koth/kcws​github.com/koth/kcws

有中文分词、词性标注功能，支持自定义词典；

采用word2vec、Bi-LSTM、CRF算法；

（8）ZPar

frcchang/zpar​github.com/frcchang/zpar/releases

有中文、英文、西班牙语分词、词性标注；

C++语言编写；

（9）IKAnalyzer

wks/ik-analyzer​github.com/wks/ik-analyzer

有中文分词功能，支持自定义词典；

（10）Jcseg

狮子的魂/jcseg​gitee.com/lionsoul/jcseg

有中文分词、关键词提取、自动摘要、词性标注、实体识别等功能，支持自定义词典；

基于mmseg、textRank、BM25等算法；

（11）FudanNLP

FudanNLP/fnlp​github.com/FudanNLP/fnlp

中文分词 词性标注 实体名识别 关键词抽取等；

（12）SnowNLP

isnowfy/snownlp​github.com/isnowfy/snownlp

有中文分词、词性标注、情感分析、文本分类、提取关键词等功能；

基于HMM、Naive Bayes、TextRank、tf-idf等算法；

Python类库；

（13）ansj分词器

NLPchina/ansj_seg​github.com/NLPchina/ansj_seg

有中文分词、人名识别、词性标注、用户自定义词典等功能；

基于n-Gram+CRF+HMM算法；

（14）NLTK

nltk/nltk​github.com/nltk/nltk

擅长英文分词，也支持中文分词处理，但建议先用其他分词工具对中文语料分词，再用它的处理功能；

python库；

（15）庖丁解牛

https://code.google.com/p/paoding​code.google.com/p/paoding

3.2，其他

（1）中科院计算所NLPIR

具有分词、词性标注、新词识别、命名实体识别、情感分析、关键词提取等功能，支持自定义词典；

（2）腾讯文智

（3）BosonNLP

（4）百度NLP

（5）阿里云NLP

（6）新浪云

（7）盘古分词

文章摘至

华天清：中文分词方法和软件工具汇总笔记93 赞同 · 3 评论文章