使用最大逆向法，利用python进行简易中文分词

首先进行分词所需要的基本设置就是“词库”，而网上开源的词库有很多，例如github里面的chinese词库和清华大学开源中文词库，这些都是免费下载开源的。而且下载及其简单，

所以你在网页可以直接下载，若是你已经学过爬虫，也可以进行爬下来。在这里我只下载类清华大学的food词库，这个程序也只能匹配水果食物等的专有名词。

以下是程序

#!/usr/bin/env python
#-*- coding:utf-8 -*-
#---------------------------------
#FILENAME:fenci.py
#目的：使用最大逆向匹配， 完成简易分词操作
#环境：Ubuntu14 python2.7
#FILE:fenci.py
#TIME:20170803
#---------------------------------
import re
import time
#对一个字符串进行最大匹配处理，不包括特殊字符处理
def segment(str1,content):#str1 需要分词的字符串，content是匹配词库
	#str1=str1.decode('utf-8')
	str2=""
	maxlen=5 #只在最大词长范围处理
	while(len(str1)):
		length=int(len(str1))
		if length>maxlen:
			length=maxlen
		tmp_str=str1[len(str1)-length:len(str1)]
		while(length>1 and (re.search(tmp_str,content)==None)):#如果不是词，从右边剪掉一个汉字，剩下部分作为候选词"""
			length=length-1
			tmp_str=str1[len(str1)-length:len(str1)]
		tmp_str=tmp_str+'/'
		str2=tmp_str+str2
		str1=str1[0:len(str1)-length]
	return str2

#对一个字符串进行最大匹配处理，包括特殊字符处理
def segmentMM(str1,content):
	str2=""
	re_pat=re.compile(u'[\u4e00-\u9fa5]+')#只取中文字符
	tmp_list=re.findall(re_pat,str1.decode('utf-8'))# 开始匹配中文字符，取出以list的形式
	for i in tmp_list:#这是将取出的string list输出观看
		print i,
	else:
		print '\n'
	cont_dec=content.decode('utf-8')
	while(len(tmp_list)):
		str2=segment(tmp_list.pop(),cont_dec)+str2#tmp_list弹出最后一个元素（string），作为segment参数传入
                                                          #执行后消除最后一个元素，tmp-list长度-1
		str2='  '+str2
		
	return str2

#以下是main函数部分---------------------
if __name__=="__main__":
        path='/home/chin/pydic/food.txt'#这是我下载词库txt文件的目录，每个人有所不一样，因此不能照写
	try:
		fp=open(path,'r')
	except IOError as e:
		print"open error！"	
	else:
		start=time.time()
		content=fp.read()
		string=segmentMM("aa我9木瓜adf*超积电视机苹果然后,?重火龙果asf爱吃苹果asdaf香蕉西瓜哈密瓜",content)
		print string
		fp.close()
		stop=time.time()
		print"file is closed!\nTIME:%d sec"%(stop-start)
	

程序结果：

string=segmentMM("aa我9木瓜adf*超积电视机苹果然后,?重火龙果asf爱吃苹果asdaf香蕉西瓜哈密瓜",content)

我 木瓜 超积电视机苹果然后 重火龙果 爱吃苹果 香蕉西瓜哈密瓜

  我/  木瓜/  超/积/电/视/机/苹果/然/后/  重/火龙果/  爱/吃/苹果/  香蕉/西瓜/哈密瓜/
file is closed!
TIME:0 sec