之前都是用计算所的分词工具进行分词,效果不错但是比较麻烦,最近开始用Python的“结巴”模块进行分词,感觉非常方便。这里将我写的一些小程序分享给大家,希望对大家有所帮助。
下面这个程序是对一个文本文件里的内容进行分词的程序:test.py
-
#!/usr/bin/python
-
#-*- encoding:utf-8 -*-
-
import jieba #导入jieba模块
-
-
def splitSentence(inputFile, outputFile):
-
fin = open(inputFile, 'r') #以读的方式打开文件
-
fout = open(outputFile, 'w') #以写得方式打开文件
-
-
for eachLine in fin:
-
line = eachLine.strip().decode('utf-8', 'ignore') #去除每行首尾可能出现的空格,并转为Unicode进行处理
-
wordList = list(jieba.cut(line)) #用结巴分词,对每行内容进行分词
-
outStr = ''
-
for word in wordList:
-
outStr += word
-
outStr += '/ '
-
fout.write(outStr.strip().encode('utf-8') + '\n') #将分词好的结果写入到输出文件
-
fin.close()
-
fout.close()
-
-
splitSentence('myInput.txt', 'myOutput.txt')
写完程序之后,在Linux重点输入:python test.py即可运行程序进行分词。
输入的文件内容如下所示:
经过结巴分词后,输出结果如下所示:
注意:第11行的 jieba.cut()返回的结构是一个可迭代的generator,可以用list(jieba.cut(...))转化为list