1:   2:   3:   4:   5:   6:   7:   8:   9:  10:  11:  12:  13:  14:  15:  16:  17:  18:  19:  20:  21:  22:  23:  24:  25:  26:  27:  28:  29:  30:  31:  32:  33:  34:  35:  36:  37:  38:  39:  40:  41:  42:  43:  44:  45:  46:  47:  48:  49:  50:  51:  52:  53:  54:  55:  56:  57:  58:  59:  60:  61:  62:  63:  64:  65:  66:  67:  68:  69:  70:  71:  72:  73:  74:  75:  76:  77:  78:  79:  80:  81:  82:  83:  84:  85:  86:  87:  88:  89:  90:  91:  92:  93:  94:  95:  96:  97:  98:  99: 100: 101: 102: 103: 104: 105: 106: 107: 108: 109: 110: 111: 112: 113: 114: 115: 116: 117: 118: 119: 120: 121: 122: 123: 124: 125: 126: 127: 128: 129: 130: 131: 132: 133: 134: 135: 136: 137: 138: 139: 140: 141: 142: 143: 144: 145: 146: 147: 148: 149: 150: 151: 152: 153: 154: 155: 156: 157: 158: 159: 160: 161: 162: 163: 164: 165: 166: 167: 168: 169: 170: 171: 172: 173: 174: 175: 176: 177: 178: 179: 180: 181: 182: 183: 184: 185: 186: 187: 188: 189: 190: 191: 192: 193: 194: 195: 196: 197: 198: 199: 200: 201: 202: 203: 204: 205: 206: 207: 208: 209: 210: 211: 212: 213: 214: 215: 216: 217: 218: 219: 220: 221: 222: 223: 224: 225: 226: 227: 228: 229: 230: 231: 232: 233: 234: 235: 236: 237: 238: 239: 240: 241: 242: 243: 244: 245: 246: 247: 248: 249: 250: 251: 252: 253: 254: 255: 256: 257: 258: 259: 260: 261: 262: 263: 264: 265: 266: 267: 268: 269: 270: 271: 272: 273: 274: 275: 276: 277: 278: 279: 280: 281: 282: 283: 284: 285: 286: 287: 288: 289: 290: 291: 292: 293: 294: 295: 296: 297: 298: 299: 300: 301: 302: 303: 304: 305: 306: 307: 308: 309: 310: 311: 312: 313: 314: 315: 316: 317: 318: 319: 320: 321: 322: 323: 324: 325: 326: 327: 328: 329: 330: 331: 332: 333: 334: 335: 336: 337: 338: 339: 340: 341: 342: 343: 344: 345: 346: 347: 348: 349: 350: 351: 352: 353: 354: 355: 356: 357: 358: 359: 360: 361: 362: 363: 364: 365: 366: 367: 368: 369: 370: 371: 372: 373: 374: 375: 376: 377: 378: 379: 380: 381: 382: 383: 384: 385: 386: 387: 388: 389: 390: 391: 392: 393: 394: 395: 396: 397: 398: 399: 400: 401: 402: 403: 404: 405: 406: 407: 408: 409: 410: 411: 412: 413: 414: 415: 416: 417: 418: 419: 420: 421: 422: 423: 424: 425: 426: 427: 428: 429: 430: 431: 432: 433: 434: 435: 436: 437: 438: 439: 440: 441: 442: 443: 444: 445: 446: 447: 448: 449: 450: 451: 452: 453: 454: 455: 456: 457: 458: 459: 460: 461: 462: 463: 464: 465: 466: 467: 468: 469: 470: 471: 472: 473: 474: 475: 476: 477: 478: 479: 480: 481: 482: 483: 484: 485: 486: 487: 488: 489: 490: 491: 492: 493: 494: 495: 496: 497: 498: 499: 500: 501: 502: 503: 504: 505: 506: 507: 508: 509: 510: 511: 512: 513: 514: 515: 516: 517: 518: 519: 520: 521: 522: 523: 524: 525: 526: 527: 528: 529: 530: 531: 532: 533: 534: 535: 536: 537: 538: 539: 540: 541: 542: 543: 544: 545: 546: 547: 548: 549: 550: 551: 552: 553: 554: 555: 556: 557: 558: 559: 560: 561: 562: 563: 564: 565: 566: 567: 568: 569: 570: 571: 572: 573: 574: 575: 576: 577: 578: 579: 580: 581: 582: 583: 584: 585: 586: 587: 588: 589: 590: 591: 592: 593: 594: 595: 596: 597: 598: 599: 600: 601: 602: 603: 604: 605: 606: 607: 608: 609: 610: 611: 612: 613: 614: 615: 616: 617: 618: 619: 620: 621: 622: 623: 624: 625: 626: 627: 628: 629: 630: 631: 632: 633: 634: 635: 636: 637: 638: 639: 640: 641: 642: 643: 644: 645: 646: 647: 648: 649: 650: 651: 652: 

<?php
/**
 * SAE 中文分词服务 
 *
 * @package sae 
 * @version $Id$
 * @author Elmer Zhang
 */



/**
 * SAE 中文分词服务<br />
 *
 * <code>
 * <?php
 * $str = "明天星期天";
 * $seg = new SaeSegment();
 * $ret = $seg->segment($str, 1);
 *
 * print_r($ret);   //输出
 *
 * // 失败时输出错误码和错误信息
 * if ($ret === false)
 *      var_dump($seg->errno(), $seg->errmsg());
 * ?>
 * </code>
 *
 * 错误码参考：
 *  - errno: 0      成功
 *  - errno: -1     服务初始化出错，服务器没有正常启动
 *  - errno: -2     错误的参数输入
 *  - errno: -3     文本内容长度为0
 *  - errno: -4     其他错误
 *  - errno: 607    服务未初始化
 *
 * @package sae
 * @author Elmer Zhang
 *
 */
class SaeSegment extends SaeObject
{
    private $_errno = SAE_Success;
    private $_errmsg = "OK";
    private $_errmsgs = array(
            -1 => "word segmentation service internal error",
            -2 => "parameters (word_tag, encoding) error.",
            -3 => "context can not be empty",
            -4 => "unknown error",
            607 => "service is not enabled",
            );
    private $_encodings = array('GBK', 'UTF-8', 'UCS-2');

    /**
     * @ignore
     */
    const baseurl = "http://segment.sae.sina.com.cn:81/urlclient.php";

    /**
     * 构造对象
     *
     */
    function __construct() {
    }

    /**
     * 执行分词
     * 
     * @param string context 需要分词的文本，目前限制文本大小最大为10KB。
     * @param int context 用来标识返回的结果是否含有标注词性字段。0 表示不标注，1 表示标注词性，默认为0。(词性定义参见下面的常量)
     * @param string encoding 传入的文件编码格式：GB18030、UTF-8、UCS-2。默认为UTF-8
     * @return array|bool 成功以数组格式返回分词结果，失败返回false.
     * @author Elmer Zhang
     */
    function segment($context, $word_tag = 0, $encoding = 'UTF-8') {
        $post = array();
        $params = array();

        if ( trim( $context ) === '' ) {
            $this->_errno = -3;
            $this->_errmsg = $this->_errmsgs[-3];
            return false;
        } else {
            $post['context'] = $context;
        }

        $params['word_tag'] = $word_tag ? 1 : 0;

        $encoding = strtoupper(trim($encoding));
        if ( !in_array( $encoding, $this->_encodings ) ) {
            $params['encoding'] = 'UTF-8';
        } else {
            $params['encoding'] = $encoding;
        }

        $ret = $this->postData($post, $params);
        if ( $encoding != 'UTF-8' && !empty($ret) ) {
            foreach ($ret as $k => $v) {
                $v['word'] = mb_convert_encoding( $v['word'], $encoding, 'UTF-8' );
                $ret[$k] = $v;
            }
        }

        return $ret;
    }

    /**
     * 取得错误码
     *
     * @return int
     * @author Elmer Zhang
     */
    public function errno() {
        return $this->_errno;
    }

    /**
     * 取得错误信息
     *
     * @return string
     * @author Elmer Zhang
     */
    public function errmsg() {
        return $this->_errmsg;
    }

    private function postData($post, $params) {
        $url = self::baseurl . '?' . http_build_query( $params );
        $s = curl_init();
        if (is_array($post)) {
            $post = http_build_query($post);
        }
        curl_setopt($s,CURLOPT_URL,$url);
        curl_setopt($s,CURLOPT_HTTP_VERSION,CURL_HTTP_VERSION_1_0);
        curl_setopt($s,CURLOPT_TIMEOUT,5);
        curl_setopt($s,CURLOPT_RETURNTRANSFER,true);
        curl_setopt($s,CURLINFO_HEADER_OUT, true);
        curl_setopt($s,CURLOPT_POST,true);
        curl_setopt($s,CURLOPT_POSTFIELDS,$post); 
        $ret = curl_exec($s);
        $info = curl_getinfo($s);
        curl_close($s);

        if(empty($info['http_code'])) {
            $this->_errno = -4;
            $this->_errmsg = "can not reach word segmentation server";
        } else if($info['http_code'] == 607) {
            $this->_errno = 607;
            $this->_errmsg = $this->_errmsgs[607];
        } else if($info['http_code'] != 200) {
            $this->_errno = -1;
            $this->_errmsg = $this->_errmsgs[-1];
        } else {
            if($info['size_download'] == 0) { // get MailError header
                $this->_errno = SAE_ErrInternal;
                $this->_errmsg = "word segmentation service internal error";
            } else {
                $array = json_decode(trim($ret), true);
                if ( count( $array ) === 1 && is_int( $array[0] ) && $array[0] < 0 ) {
                    $this->_errno = $array[0];
                    $this->_errmsg = $this->_errmsgs[$array[0]];

                    return false;
                } else {
                    $this->_errno = SAE_Success;
                    $this->_errmsg = 'OK';

                    return $array;
                }
            }
        }
        return false;
    }

    /**
     * 不知道
     */
    const POSTAG_ID_UNKNOW = 0;

    /**
     * 形容词
     */
    const POSTAG_ID_A = 10;

    /**
     * 区别词
     */
    const POSTAG_ID_B = 20;

    /**
     * 连词
     */
    const POSTAG_ID_C = 30;

    /**
     * 体词连接
     */
    const POSTAG_ID_C_N = 31;

    /**
     * 分句连接
     */
    const POSTAG_ID_C_Z = 32;

    /**
     * 副词
     */
    const POSTAG_ID_D = 40;

    /**
     * 副词("不")
     */
    const POSTAG_ID_D_B = 41;

    /**
     * 副词("没")
     */
    const POSTAG_ID_D_M = 42;

    /**
     * 叹词
     */
    const POSTAG_ID_E = 50;

    /**
     * 方位词
     */
    const POSTAG_ID_F = 60;

    /**
     * 方位短语(处所词+方位词)
     */
    const POSTAG_ID_F_S = 61;

    /**
     * 方位短语(名词+方位词“地上”)
     */
    const POSTAG_ID_F_N = 62;

    /**
     * 方位短语(动词+方位词“取前”)
     */
    const POSTAG_ID_F_V = 63;

    /**
     * 方位短语(动词+方位词“取前”)
     */
    const POSTAG_ID_F_Z = 64;

    /**
     * 前接成分
     */
    const POSTAG_ID_H = 70;

    /**
     * 数词前缀(“数”---数十)
     */
    const POSTAG_ID_H_M = 71;

    /**
     * 时间词前缀(“公元”“明永乐”)
     */
    const POSTAG_ID_H_T = 72;

    /**
     * 姓氏
     */
    const POSTAG_ID_H_NR = 73;

    /**
     * 姓氏
     */
    const POSTAG_ID_H_N = 74;

    /**
     * 后接成分
     */
    const POSTAG_ID_K = 80;

    /**
     * 数词后缀(“来”--,十来个)
     */
    const POSTAG_ID_K_M = 81;

    /**
     * 时间词后缀(“初”“末”“时”)
     */
    const POSTAG_ID_K_T = 82;

    /**
     * 名词后缀(“们”)
     */
    const POSTAG_ID_K_N = 83;

    /**
     * 处所词后缀(“苑”“里”)
     */
    const POSTAG_ID_K_S = 84;

    /**
     * 状态词后缀(“然”)
     */
    const POSTAG_ID_K_Z = 85;

    /**
     * 状态词后缀(“然”)
     */
    const POSTAG_ID_K_NT = 86;

    /**
     * 状态词后缀(“然”)
     */
    const POSTAG_ID_K_NS = 87;

    /**
     * 数词
     */
    const POSTAG_ID_M = 90;

    /**
     * 名词
     */
    const POSTAG_ID_N = 95;

    /**
     * 人名(“毛泽东”)
     */
    const POSTAG_ID_N_RZ = 96;

    /**
     * 机构团体(“团”的声母为t，名词代码n和t并在一起。“公司”)
     */
    const POSTAG_ID_N_T = 97;

    /**
     *
     */
    const POSTAG_ID_N_TA = 98;

    /**
     * 机构团体名("北大")
     */
    const POSTAG_ID_N_TZ = 99;

    /**
     * 其他专名(“专”的声母的第1个字母为z，名词代码n和z并在一起。)
     */
    const POSTAG_ID_N_Z = 100;

    /**
     * 名处词
     */
    const POSTAG_ID_NS = 101;

    /**
     * 地名(名处词专指：“中国”)
     */
    const POSTAG_ID_NS_Z = 102;

    /**
     * n-m,数词开头的名词(三个学生)
     */
    const POSTAG_ID_N_M = 103;

    /**
     * n-rb,以区别词/代词开头的名词(该学校，该生)
     */
    const POSTAG_ID_N_RB = 104;

    /**
     * 拟声词
     */
    const POSTAG_ID_O = 107;

    /**
     * 介词
     */
    const POSTAG_ID_P = 108;

    /**
     * 量词
     */
    const POSTAG_ID_Q = 110;

    /**
     * 动量词(“趟”“遍”)
     */
    const POSTAG_ID_Q_V = 111;

    /**
     * 时间量词(“年”“月”“期”)
     */
    const POSTAG_ID_Q_T = 112;

    /**
     * 货币量词(“元”“美元”“英镑”)
     */
    const POSTAG_ID_Q_H = 113;

    /**
     * 代词
     */
    const POSTAG_ID_R = 120;

    /**
     * 副词性代词(“怎么”)
     */
    const POSTAG_ID_R_D = 121;

    /**
     * 数词性代词(“多少”)
     */
    const POSTAG_ID_R_M = 122;

    /**
     * 名词性代词(“什么”“谁”)
     */
    const POSTAG_ID_R_N = 123;

    /**
     * 处所词性代词(“哪儿”)
     */
    const POSTAG_ID_R_S = 124;

    /**
     * 时间词性代词(“何时”)
     */
    const POSTAG_ID_R_T = 125;

    /**
     * 谓词性代词(“怎么样”)
     */
    const POSTAG_ID_R_Z = 126;

    /**
     * 区别词性代词(“某”“每”)
     */
    const POSTAG_ID_R_B = 127;

    /**
     * 处所词(取英语space的第1个字母。“东部”)
     */
    const POSTAG_ID_S = 130;

    /**
     * 处所词(取英语space的第1个字母。“东部”)
     */
    const POSTAG_ID_S_Z = 131;

    /**
     * 时间词(取英语time的第1个字母)
     */
    const POSTAG_ID_T = 132;

    /**
     * 时间专指(“唐代”“西周”)
     */
    const POSTAG_ID_T_Z = 133;

    /**
     * 助词
     */
    const POSTAG_ID_U = 140;

    /**
     * 定语助词(“的”)
     */
    const POSTAG_ID_U_N = 141;

    /**
     * 状语助词(“地”)
     */
    const POSTAG_ID_U_D = 142;

    /**
     * 补语助词(“得”)
     */
    const POSTAG_ID_U_C = 143;

    /**
     * 谓词后助词(“了、着、过”)
     */
    const POSTAG_ID_U_Z = 144;

    /**
     * 体词后助词(“等、等等”)
     */
    const POSTAG_ID_U_S = 145;

    /**
     * 助词(“所”)
     */
    const POSTAG_ID_U_SO = 146;

    /**
     * 标点符号
     */
    const POSTAG_ID_W = 150;

    /**
     * 顿号(“、”)
     */
    const POSTAG_ID_W_D = 151;

    /**
     * 句号(“。”)
     */
    const POSTAG_ID_W_SP = 152;

    /**
     * 分句尾标点(“，”“；”)
     */
    const POSTAG_ID_W_S = 153;

    /**
     * 搭配型标点左部
     */
    const POSTAG_ID_W_L = 154;

    /**
     * 搭配型标点右部(“》”“]”“）”)
     */
    const POSTAG_ID_W_R = 155;

    /**
     * 中缀型符号
     */
    const POSTAG_ID_W_H = 156;

    /**
     * 语气词(取汉字“语”的声母。“吗”“吧”“啦”)
     */
    const POSTAG_ID_Y = 160;

    /**
     * 及物动词(取英语动词verb的第一个字母。)
     */
    const POSTAG_ID_V = 170;

    /**
     * 不及物谓词(谓宾结构“剃头”)
     */
    const POSTAG_ID_V_O = 171;

    /**
     * 动补结构动词(“取出”“放到”)
     */
    const POSTAG_ID_V_E = 172;

    /**
     * 动词“是”
     */
    const POSTAG_ID_V_SH = 173;

    /**
     * 动词“有”
     */
    const POSTAG_ID_V_YO = 174;

    /**
     * 趋向动词(“来”“去”“进来”)
     */
    const POSTAG_ID_V_Q = 175;

    /**
     * 助动词(“应该”“能够”)
     */
    const POSTAG_ID_V_A = 176;

    /**
     * 状态词(不及物动词,v-o、sp之外的不及物动词)
     */
    const POSTAG_ID_Z = 180;

    /**
     * 语素字
     */
    const POSTAG_ID_X = 190;

    /**
     * 名词语素(“琥”)
     */
    const POSTAG_ID_X_N = 191;

    /**
     * 动词语素(“酹”)
     */
    const POSTAG_ID_X_V = 192;

    /**
     * 处所词语素(“中”“日”“美”)
     */
    const POSTAG_ID_X_S = 193;

    /**
     * 时间词语素(“唐”“宋”“元”)
     */
    const POSTAG_ID_X_T = 194;

    /**
     * 状态词语素(“伟”“芳”)
     */
    const POSTAG_ID_X_Z = 195;

    /**
     * 状态词语素(“伟”“芳”)
     */
    const POSTAG_ID_X_B = 196;

    /**
     * 不及物谓词(主谓结构“腰酸”“头疼”)
     */
    const POSTAG_ID_SP = 200;

    /**
     * 数量短语(“叁个”)
     */
    const POSTAG_ID_MQ = 201;

    /**
     * 代量短语(“这个”)
     */
    const POSTAG_ID_RQ = 202;

    /**
     * 副形词(直接作状语的形容词)
     */
    const POSTAG_ID_AD = 210;

    /**
     * 名形词(具有名词功能的形容词)
     */
    const POSTAG_ID_AN = 211;

    /**
     * 副动词(直接作状语的动词)
     */
    const POSTAG_ID_VD = 212;

    /**
     * 名动词(指具有名词功能的动词)
     */
    const POSTAG_ID_VN = 213;

    /**
     * 空格
     */
    const POSTAG_ID_SPACE = 230;

}