自然语言处理2---jieba分词

# -*- encoding:utf-8 -*-
import re,HTMLParser
import sys
reload(sys)
import os
import jieba
from sklearn.feature_extraction.text import TfidfVectorizer
#sys.setdefaultencoding('utf-8')#输出的内容(爬下来的)是utf-8的形式
def file_jieba(file_dir):  # 得到文本.txt的路径.\Fractal\Interne
    for root, dirs, files in os.walk(file_dir):
        for f in files:
            tmp_dir = '.\Reduced_internet_preprocess' + '\\' + f  # 加上标签后的文本
            text_init_dir = file_dir + '\\' + f  # 原始文本
            # print text_init_dir
            file_source = open(text_init_dir, 'r')



            ok_file = open(tmp_dir, 'w+')
            line_content = file_source.readlines()

            for lines in line_content:
                #file_source_decode = lines.decode('GBK')
                file_source_cut = jieba.cut(lines, cut_all=False)
                result = ' '.join(file_source_cut)
                result = result.encode('utf-8')
                ok_file.write(result)

            file_source.close()
            ok_file.close()
            print 'ok'
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值