不得不用到分词,但是中科院和哈工大感觉不太好装,反倒是结巴已经再python的源中了所以选择这个作为分词工具。
1.下载安装
没啥吧直接
python easy_install.py jieba
即可,import如果没什么问题就说明安装成功了。
2.简介
结巴的使用方法也很是简单,具体如下
结巴分词支持3中分词模式:
1,全模式:把句子中的所有可以成词的词语都扫描出来,
2, 精确模式:试图将文本最精确的分开,适合于做文本分析。
3,搜索引擎模式:在精确的基础上对长词进行进一步的切分。
同时还支持
支持繁体分词
支持自定义词典
MIT 授权协议
主要的函数并不多,下面资料来自Github源码的说明
- jieba.cut 方法接受三个输入参数: 需要分词的字符串;cut_all 参数用来控制是否采用全模式;HMM 参数用来控制是否使用 HMM 模型
- jieba.cut_for_search 方法接受两个参数:需要分词的字符串;是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词,粒度比较细
- 待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意:不建议直接输入 GBK 字符串,可能无法预料地错误解码成 UTF-8
- jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator,可以使用 for 循环来获得分词后得到的每一个词语(unicode),或者用jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
- jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器,可用于同时使用不同词典。jieba.dt 为默认分词器,所有全局分词相关函数都是该分词器的映射。
前面的还是比较好理解的,为了更加灵活的运用我们多关注一下后面的几条,可以自己构造分词器,这个还是比较实用的。
3.简单的例子
基础应用
最简单的应用,两个函数
#_*_ coding:utf-8 _*_
import jieba
seg_list = jieba.cut("从没见过我这么弱的垃圾", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list)) # 全模式
seg_list = jieba.cut("从没见过我这么弱的垃圾", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list)) # 精确模式,我们的语料一般这个比较好用
seg_list = jieba.cut_for_search("虽然我也很想挣扎一下,但是无论怎样我都那么菜") # 搜索引擎模式
print(", ".join(seg_list))
自主添加词典
然后我们可以定义自己的字典识别特定的词语
用法: jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径
需要注意的是,词典格式和 dict.txt 一样,一个词占一行;每一行分三部分:词语、词频(可省略)、词性(可省略),用空格隔开,顺序不可颠倒。file_name 若为路径或二进制方式打开的文件,则文件必须为 UTF-8 编码。词频省略时使用自动计算的能保证分出该词的词频。
我们做一下小实验,字典如下