PierreZhangcw
commented
4 years ago @WitLes 对于英文以及数字的处理，python版本的jieba和cppjieba的确是不一样的：
- 顺序上：pyjieba是先进行英文以及数字的处理，然后再把余下的连续单字部分交给HMM模型进行处理；cppjieba里对英文以及数字的处理是在HMM分词模块里的。
- 具体处理措施上：pyjieba是将英文和数字放在一起用正则表达式匹配处理的；cppjieba中将英文和数字分开进行处理，逐个字符判断。这点差异会导致分词结果的不一致。
但是，对于你提出的问题，我觉得是使用不当导致的，“5000”是一个非常简单的数字模块，开启HMM分词(hmm=true)以后肯定可以分对的，像你说的那种情况，大概率是因为没打开HMM模型分词(hmm=false)
例如“农夫山泉矿泉水5000毫升应用水纯净水”
python版本：['农夫', '农夫山泉', '山泉', '矿泉', '矿泉水', '泉水', '5000', '毫升', '应用', '用水', '纯净', '纯净水', '净水'] 该版本： ['农夫', '农夫山泉', '山泉', '矿泉', '矿泉水', '泉水', '5', '0', '0', '0', '毫升', '应用', '用水', '纯净', '纯净水', '净水']