准备工作
安装anaconda环境,anaconda环境是一个强大的科学计算环境,自带python2.7和3.4两个版本以及很多科学计算库
安装完成后配置环境变量,然后在终端用pip install jieba安装结巴分词库
jieba介绍
支持三种分词模式:
- 精确模式,试图将句子最精确地切开,适合文本分析;
- 全模式,把句子中所有的可以成词的词语都扫描出来, 速度非常快,但是不能解决歧义;
- 搜索引擎模式,在精确模式的基础上,对长词再次切分,提高召回率,适合用于搜索引擎分词。
支持繁体分词
支持自定义词典
算法
- 基于Trie树结构实现高效的词图扫描,生成句子中汉字所有可能成词情况所构成的有向无环图(DAG)
- 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
- 对于未登录词,采用了基于汉字成词能力的HMM模型,使用了Viterbi算法
jieba使用
分词代码
我的工程中的代码:
#encoding=utf-8
import jieba