Jieba
该文的Project请看https://download.csdn.net/download/qq_44465615/13135356
本文是环境为win10+python3.9,另附,建议使用pycharm进行实验,idle可能会出现下载的第三方包无法调用情况
特点
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
MIT 授权协议
安装说明
代码对 Python 2/3 均兼容
- 全自动安装:easy_install jieba 或者 pip install jieba / pip3 install jieba
- 半自动安装:先下载 http://pypi.python.org/pypi/jieba/ ,解压后运行 python setup.py install
- 手动安装:将 jieba 目录放置于当前目录或者 site-packages 目录
通过 import jieba 来引用
算法
- 基于前缀词典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
代码
import re
import jieba
import jieba.analyse as analyse
#cut函数,接受三个参数:需要采用的字符串,是否全模式,是否使用HMM模型
#全模式
s="小明硕士毕业于中国科学院计算所,后在日本京都大学深造"
a=jieba.cut(s,cut_all=True,HMM=False);
print("全模式: "+"/".join(a))
#搜索引擎模式
a=jieba.cut(s,cut_all=False,HMM=True)
print("搜索引擎模式: "+"/".join(a))
#精确模式
a=jieba.cut(s,cut_all=False,HMM=False)
print("精确模式: "+"/".join(a))
#cut_for_search()函数,仅接受两个参数,第一个为待分词的句子,第二个为是否实验HMM模式
s="小明硕士毕业于中国科学院计算所,后在日本京都大学深造"
a=jieba.cut_for_search(s,HMM=True)
print("HMM模式:"+"/".join(a))
a=jieba.cut_for_search(s,HMM=False)
print("普通模式:"+"/".join(a))
###对三国演义进行提取关键词
def jiebaclearText(text):
mywordlist = []
stopwords=[]
seg_list = jieba.cut(text)
liststr="/ ".join(seg_list)
with open(stopwords_path, 'r', encoding='utf-8') as f_stop: #读入停用词表
for line in f_stop:
if len(line) > 0:
stopwords.append(line.strip())
for myword in liststr.split('/'): #去停用词
if (myword.strip() not in stopwords) :
mywordlist.append(myword)
return ''.join(mywordlist)
stopwords_path='stopwords.txt'
f=open("test2.txt","rb")
text = f.read()
f.close();
text=text.decode('utf-8')
text = re.sub('曰', '', text)
text1 = jiebaclearText(text)
f=open('result1.txt',"w")
i=1
for key in analyse.extract_tags(text1,50, withWeight=True): #输出结果
key=str(key)
f.write("No."+str(i)+": "+key+'\n')
i=i+1
f.close()
###对MSR数据集进行分词
text=[]
f=open("msr_test.txt",'r', encoding='GBK')
t=f.readline()
while t:
text.append(t)
t=f.readline()
f.close();
f=open('result2.txt',"w");
for word in text: #输出结果
word=jieba.cut(word)
f.write("/".join(word))
f.close()