天風齋 - 唐宗漢的網站
TaBE/Toke: 中文自然語言處理模組
這個有我所需要的東西~
把字詞分離. 而且字可以轉換成注音碼. 可以來做做很多怪事~ :p
以下轉載自 TaBE/Toke: 中文自然語言處理模組
libTaBE 函式庫是由 TaBE 計劃開發的中文句、詞、字、音處理模組。Lingua::ZH::TaBE 則是以物件導向方式，重新整理過的 Perl 界面。
libtabe 0.2.5 以上版本，方能安裝本模組。
使用範例如下：
use Lingua::ZH::TaBE;
my $tabe = Lingua::ZH::TaBE->new;
# 可以,輕易,解決,中文,的,斷詞,問題
print join(',', $tabe->split(
"可以輕易解決中文的斷詞問題"
));
# 取得句、段、詞、字、音、注音符號之間的關係
print $tabe->Chu("道可道，非常道。") # 句
->chunks->[2] # 非常道 # 段
->tsis->[0] # 非常 # 詞
->zhis->[1] # 常 # 字
->yins->[0] # ㄔㄤˊ # 音
->zuyins->[0]; # ㄔ # 注音
除此之外，還有詞頻、複雜斷詞、Big5 碼判斷及轉換等功能，族繁不及備載。 :-)
另外，我還寫了 Lingua::ZH::Toke 這個模組，可以讓 Perl 5.6.1（最好是 5.8）以上的使用者，更方便地處理語句：
use Lingua::ZH::Toke; # 若後面加上 'utf8' 即可處理萬國碼
# 建立 Lingua::ZH::Toke::Sentence「句子」物件（->Sentence 亦可）
my $token = Lingua::ZH::Toke->new( '那人卻在/燈火闌珊處/益發意興闌珊' );
# 利用陣列解參照，輕易達成分段功能
print $token->[0] # 段 - 那人卻在
->[2] # 詞 - 卻在
->[0] # 字 - 卻
->[0] # 音 - ㄑㄩㄝˋ
->[2]; # 注音 - ㄝ
# 利用雜湊解參照，計算出現次數
print $token->{'那人卻在'}; # 1 - 出現一次片段
print $token->{'意興闌珊'}; # 1 - 出現一次單詞
print $token->{'發意興闌'}; # undef - 不是一個詞
print $token->{'珊'}; # 2 - 出現兩次字
print $token->{'ㄧˋ'}; # 2 - 出現兩次字音：益意
print $token->{'ㄨ'}; # 3 - 出現三次注音：那火處
# 逐項處理「段」物件
while (my $fragment = ) {
# 逐項處理「詞」物件
while (my $phrase = ) {
# ...
}
}
歡迎批評指教。