一、jieba库基本介绍
(1)、jieba库概述
jieba是优秀的中文分词第三方库
- 中文文本需要通过分词获得单个的词语
- jieba是优秀的中文分词第三方库,需要额外安装
- jieba库提供三种分词模式,最简单只需掌握一个函数
(2)、jieba分词的原理
Jieba分词依靠中文词库
- 利用一个中文词库,确定汉字之间的关联概率
- 汉字间概率大的组成词组,形成分词结果
- 除了分词,用户还可以添加自定义的词组
二、jieba库使用说明
(1)、jieba分词的三种模式
精确模式、全模式、搜索引擎模式
- 精确模式:把文本精确的切分开,不存在冗余单词
- 全模式:把文本中所有可能的词语都扫描出来,有冗余
- 搜索引擎模式:在精确模式基础上,对长词再次切分
(2)、jieba库常用函数
#-*- coding:utf-8-*-
__author__="huitao"
import jieba
str="python怎么安装jieba库这个模块,很多ytho初学者有时候需要用到jiea库,但是不清楚怎么安装,下面来分享下安装jiea库的方法"
def jieci():
listos=jieba.lcut(str)
print(listos)
for p in listos:
print(p)
#通过文件读取分词,进行统计词语出现的次数
def duTxt():
txt = open("../htt.txt", "r", encoding='utf-8').read()
words = jieba.lcut(txt) # 使用精确模式对文本进行分词
counts = {} # 通过键值对的形式存储词语及其出现的次数
for word in words:
if len(word) == 1: # 单个词语不计算在内
continue
else:
counts[word] = counts.get(word, 0) + 1 # 遍历所有词语,每出现一次其对应的值加 1
items = list(counts.items()) # 将键值对转换成列表
items.sort(key=lambda x: x[1], reverse=True) # 根据词语出现的次数进行从大到小排序
for i in range(15):
word, count = items[i]
print("{0:<5}{1:>5}".format(word, count))
#停用词提取
def tyc():
stripword=[line.strip() for line in open("../hui.txt",ecoding="utf-8").readline()]
return stripword
# 对句子进行中文分词
def seg_depart(sentence):
# 对文档中的每一行进行中文分词
print("正在分词")
sentence_depart = jieba.cut(sentence.strip())
# 创建一个停用词列表
stopwords = tyc()
# 输出结果为outstr
outstr = ''
# 去停用词
for word in sentence_depart:
if word not in stopwords:
if word != '\t':
outstr += word
outstr += " "
return outstr
if __name__=="__main__":
jieci()
duTxt()
#文件路径
filename="In.txt";
outfilename="out.txt";
inputs=open(filename,'rb')
outputs=open(outfilename,'r')
# 将输出结果写入ou.txt中
for line in inputs:
line_seg=seg_depart(line)
outputs.write(line_seg+'\n')
inputs.close()
outputs.close()
#inputs里面就存储了去除停用词的文本
#outputs里面就存储了需要保留的文本内容
亲测可以使用!!!!!!!