最近用jieba进行分词,使用的字典有一些业务上的,记录一下相关操作。
1.因我用的anaconda3配置的虚拟环境,jieba的安装路径是在:
/anaconda3/envs/虚拟环境名/lib/python3.8/site-packages/jieba
2.jieba默认的字典为:dict.txt
vim ./dict.txt 查看默认字典形式
词汇 词频 词性
AT&T 3 nz
B超 3 n
c# 3 nz
C# 3 nz
c++ 3 nz
C++ 3 nz
T恤 4 n
A座 3 n
A股 3 n
A型 3 n
A轮 3 n
AA制 3 n
AB型 3 n
B座 3 n
B股 3 n
B型 3 n
B超 3 n
B轮 3 n
BB机 3 n
BP机 3 n
C盘 3 n
C座 3 n
C语言 3 n
CD盒 3 n
CD机 3 n
词典格式和 dict.txt
一样,一个词占一行;每一行分三部分:词语、词频(可省略)、词性(可省略),用空格隔开,顺序不可颠倒。
如果需要更换其他字典:
1.占用内存较小的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small
2.支持繁体分词更好的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big
下载你所需要的词典,备份后覆盖 jieba/dict.txt 即可;
或者用 jieba.set_dictionary('data/dict.txt.big'),指定分词等功能的字典。