python之jieba分词库

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！！！！！！！