jieba分词、自定义词典提取高频词、词性标注及获取词的位置

准备工作

安装anaconda环境，anaconda环境是一个强大的科学计算环境，自带python2.7和3.4两个版本以及很多科学计算库

安装完成后配置环境变量，然后在终端用pip install jieba安装结巴分词库

jieba介绍

支持三种分词模式：

• 精确模式，试图将句子最精确地切开，适合文本分析；
• 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；
• 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

支持繁体分词

支持自定义词典

算法

• 基于Trie树结构实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图（DAG)
• 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
• 对于未登录词，采用了基于汉字成词能力的HMM模型，使用了Viterbi算法

jieba使用

分词代码

我的工程中的代码：

#encoding=utf-8
import jieba