Jieba分词作业记录

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：

1. 精确模式，试图将句子最精确地切开，适合文本分析；
2. 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；
3. 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

1. 全自动安装：easy_install jieba 或者 pip install jieba / pip3 install jieba
2. 半自动安装：先下载 http://pypi.python.org/pypi/jieba/ ，解压后运行 python setup.py install
3. 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

1. 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)
2. 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
3. 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()