结巴分词使用

2019独角兽企业重金招聘Python工程师标准>>>

• 结巴分词的模式：

jieba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。

主要采用以下算法：

　　＊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分词使用：

#coding=utf-8
import jieba
import jieba.posseg as pseg
import time
t1=time.time()
f=open("t_with_splitter.txt","r") #读取文本
string=f.read().decode("utf-8")

words = pseg.cut(string) #进行分词
result=""  #记录最终结果的变量
for w in words:
     result+= str(w.word)+"/"+str(w.flag) #加词性标注

f=open("text.txt","w")  #将结果保存到另一个文档中
f.write(result)
f.close()
t2=time.time()
print("分词及词性标注完成，耗时："+str(t2-t1)+"秒。") #反馈结果

        

　　

 

转载于:https://my.oschina.net/u/2245485/blog/793915