【python】结巴分词、PKUSeg分词之间的区别问题及词性标注

最新推荐文章于 2024-09-28 07:45:00 发布

jjkqjj

最新推荐文章于 2024-09-28 07:45:00 发布

阅读量4.3k

点赞数

分类专栏： python 文章标签： python pkuseg 结巴词性标注

本文链接：https://blog.csdn.net/Jiajikang_jjk/article/details/88566338

版权

python 专栏收录该内容

67 篇文章 1 订阅

订阅专栏

文章目录

【python】结巴分词与PKUSeg分词之间的区别

【python】结巴分词与PKUSeg分词之间的区别

前言

测试文本：现代汉语字典

一、测试文本内容样式

在这里插入图片描述

二、分词

2.1 jieba分词

2.1.1 源码

"""
 author:jjk
 datetime:2019/3/13
 coding:utf-8
 project name:Pycharm_workstation
 Program function:
 
"""
# 编码：utf-8
# 精确模式，试图将句子最精确地切开，适合文本分析

import jieba # 导入结巴分词库
import sys

# jieba.cut 方法接受三个输入参数: 需要分词的字符串；
# cut_all 参数用来控制是否采用全模式
# HMM 参数用来控制是否使用 HMM 模型

# 文件位置
# file = 'ceshi.txt'

#if __name__ == '__main__':
param = sys.argv # 获取控制台参数
if len(param) == 2:
    with open(sys.argv[1], 'r', encoding='utf-8') as fp:
        for line in fp.readlines():  # 全部加载
            word = jieba.cut(line, cut_all=False)  # 精确模式
            print('/ '.join(word))  # 打印输出
            # print(word)
else:
    print('参数输入不合规范')
    sys.exit()

2.1.2 结果

在这里插入图片描述

2.2 PKUSeg分词

2.2.1 源码

"""
 author:jjk
 datetime:2019/3/18
 coding:utf-8
 project name:Pycharm_workstation
 Program function:
 
"""

# !usr/bin/env python
# encoding:utf-8


'''

功能： 基于北大开源的分词工具 pkuseg 进行分词实践 https://github.com/yishuihanhan/pkuseg-python
参数说明
pkuseg.pkuseg(model_name='msra', user_dict='safe_lexicon')
model_name      模型路径。默认是'msra'表示我们预训练好的模型(仅对pip下载的用户)。用户可以填自己下载或训练的模型所在的路径如model_name='./models'。
user_dict       设置用户词典。默认为'safe_lexicon'表示我们提供的一个中文词典(仅pip)。用户可以传入一个包含若干自定义单词的迭代器。
pkuseg.test(readFile, outputFile, model_name='msra', user_dict='safe_lexicon', nthread=10)
readFile        输入文件路径
outputFile      输出文件路径
model_name      同pkuseg.pkuseg
user_dict       同pkuseg.pkuseg
nthread         测试时开的进程数
pkuseg.train(trainFile, testFile, savedir, nthread=10)
trainFile       训练文件路径
testFile        测试文件路径
savedir         训练模型的保存路径
nthread         训练时开的进程数
'''

import pkuseg
import sys


def testFunc():
    '''
    分词
    '''

    seg = pkuseg.pkuseg(model_name='ctb8')  # 假设用户已经下载好了ctb8的模型并放在了'./ctb8'目录下，通过设置model_name加载该模型
    with open(sys.argv[1],'r', encoding='utf-8') as fp:
        for line in fp.readlines(): # 全部加载
            words = seg.cut(line)
            print('/ '.join(words))
            #print(words)
            #print('=' * 60)


if __name__ == '__main__':
    param = sys.argv # 获取参数的个数
    if len(param) == 2:
        testFunc()
    else:
        print('参数输入不合规范')
        sys.exit()

2.2.2 结果

在这里插入图片描述

三、词性标注

3.1 结巴词性标注

3.1.1 源码

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
'''
@File    :   ceshi.py
@Time    :   2019/03/22 14:33:05
@Author  :   jjk 
@Version :   1.0
@Contact :   None
@License :   (C)Copyright 2019-2020, Liugroup-NLPR-CASIA
@Desc    :   None
'''

# here put the import lib


import jieba
import pkuseg
import jieba.posseg as pseg


# line = "我爱北京天安门"
# pseglist = pseg.cut(line)
# for j in pseglist:
#     #也可以直接print出来看
#     #wordtmp = j.word
#     # flagtmp = j.flag
#     print('%s,%s' % (j.word,j.flag))


# 正文
def jiebaCiXingBiaoZhu():

    fp = open('ceshi.txt', 'r', encoding='utf-8')  # 打开文件
    for line in fp.readlines(): # 读取全文本
        line = line.strip('\n')
        # print(line)
        words = pseg.cut(line)
        for j in words:
            print('%s,%s' % (j.word, j.flag))

    fp.close()


if __name__ == '__main__':
    jiebaCiXingBiaoZhu()

3.1.2 结果

在这里插入图片描述

3.2 hanlp词性标注

3.2.1 源码

"""
 author:jjk
 datetime:2019/3/19
 coding:utf-8
 project name:Pycharm_workstation
 Program function: 词性标注

"""

import jpype
from jpype import *
from pyhanlp import *
import jieba.posseg as pseg
import pkuseg

def testFunc():
    '''
    分词
    '''
    # CRF 词法分析器
    CRFLexicalAnalyzer = JClass("com.hankcs.hanlp.model.crf.CRFLexicalAnalyzer")
    analyzer = CRFLexicalAnalyzer()

    seg = pkuseg.pkuseg(model_name='ctb8')  # 假设用户已经下载好了ctb8的模型并放在了'./ctb8'目录下，通过设置model_name加载该模型
    with open(sys.argv[1], 'r', encoding='utf-8') as fp:
        for line in fp.readlines():  # 全部加载
            words = seg.cut(line)
            # print('/ '.join(words))
            # print(words)
            # print('=' * 60)
            for sentence in words:
                print(analyzer.analyze(sentence))

if __name__ == '__main__':
    param = sys.argv  # 获取参数的个数
    if len(param) == 2:
        testFunc()
    else:
        print('参数输入不合规范')
        sys.exit()