python最大分词_python实现机械分词之逆向最大匹配算法代码示例

逆向最大匹配方法

逆向最大匹配分词是中文分词基本算法之一，因为是机械切分，所以它也有分词速度快的优点，且逆向最大匹配分词比起正向最大匹配分词更符合人们的语言习惯。逆向最大匹配分词需要在已有词典的基础上，从被处理文档的末端开始匹配扫描，每次取最末端的i个字符（分词所确定的阈值i）作为匹配字段，若匹配失败，则去掉匹配字段最前面的一个字，继续匹配。而且选择的阈值越大，分词越慢，但准确性越好。

逆向最大匹配算法python实现：

分词文本示例：

分词词典words.xlsx示例：

#!/usr/bin/env python

#-*- coding:utf-8 -*-

'''''

用逆向最大匹配法分词，不去除停用词

'''

import codecs

import xlrd

#读取待分词文本,readlines（）返回句子list

def readfile(raw_file_path):

with codecs.open(raw_file_path,"r",encoding="ANSI") as f:

raw_file=f.readlines()

return raw_file

#读取分词词典,返回分词词典list

def read_dic(dic_path):

excel = xlrd.open_workbook(dic_path)

sheet = excel.sheets()[0]

# 读取第二列的数据

data_list = list(sheet.col_values(1))[1:]

return data_list

#逆向最大匹配法分词

def cut_words(raw_sentences,word_dic):

word_cut=[]

#最大词长，分词词典中的最大词长,为初始分词的最大词长

max_length=max(len(word) for word in word_dic)

for sentence in raw_sentences:

#strip()函数返回一个没有首尾空白字符(‘\n'、‘\r'、‘\t'、‘')的sentence，避免分词错误

sentence=sentence.strip()

#单句中的字数

words_length = len(sentence)

#存储切分出的词语

cut_word_list=[]

#判断句子是否切分完毕

while words_length > 0:

max_cut_length = min(words_length, max_length)

for i in range(max_cut_length, 0, -1):

#根据切片性质，截取words_length-i到words_length-1索引的字，不包括words_length,所以不会溢出

new_word = sentence[words_length - i: words_length]

if new_word in word_dic:

cut_word_list.append(new_word)

words_length = words_length - i

break

elif i == 1:

cut_word_list.append(new_word)

words_length = words_length - 1

#因为是逆向最大匹配，所以最终需要把结果逆向输出，转换为原始顺序

cut_word_list.reverse()

words="/".join(cut_word_list)

#最终把句子首端的分词符号删除，是避免以后将分词结果转化为列表时会出现空字符串元素

word_cut.append(words.lstrip("/"))

return word_cut

#输出分词文本

def outfile(out_path,sentences):

#输出模式是“a”即在原始文本上继续追加文本

with codecs.open(out_path,"a","utf8") as f:

for sentence in sentences:

f.write(sentence)

print("well done!")

def main():

#读取待分词文本

rawfile_path = r"逆向分词文本.txt"

raw_file=readfile(rawfile_path)

#读取分词词典

wordfile_path = r"words.xlsx"

words_dic = read_dic(wordfile_path)

#逆向最大匹配法分词

content_cut = cut_words(raw_file,words_dic)

#输出文本

outfile_path = r"分词结果.txt"

outfile(outfile_path,content_cut)

if __name__=="__main__":

main()

总结

分析分词结果可以知道，机械分词的效果优劣，一方面与分词匹配算法有关，另外一方面极其依赖分词词典。所以若想得到好的分词效果，处理相关领域的文本时，需要在分词词典中加入特定领域的词汇。

以上就是本文关于python实现机械分词之逆向最大匹配算法代码示例的全部内容，希望对大家有所帮助。感兴趣的朋友可以继续参阅本站其他相关专题，如有不足之处，欢迎留言指出。感谢朋友们对本站的支持！