python 英语分词_用几十行代码实现python中英文分词

说到分词大家肯定一般认为是很高深的技术,但是今天作者用短短几十行代码就搞定了,感叹python很强大啊!作者也很强大。不过这个只是正向最大匹配,没有机器学习能力

注意:使用前先要下载搜狗词库# -*- coding:utf-8 -*-

#写了一个简单的支持中文的正向最大匹配的机械分词,其它不用解释了,就几十行代码

#附:搜狗词库下载地址:http://vdisk.weibo.com/s/7RlE5

import string

__dict = {}

def load_dict(dict_file='words.dic'):

#加载词库,把词库加载成一个key为首字符,value为相关词的列表的字典

words = [unicode(line, 'utf-8').split() for line in open(dict_file)]

for word_len, word in words:

first_char = word[0]

__dict.setdefault(first_char, [])

__dict[first_char].append(word)

#按词的长度倒序排列

for first_char, words in __dict.items():

__dict[first_char] = sorted(words, key=lambda x:len(x), reverse=True)

def __match_ascii(i, input):

#返回连续的英文字母,数字,符号

result = ''

for i in range(i, len(input)):

if not input[i] in string.ascii_letters: break

result += input[i]

return result

def __match_word(first_char, i , input):

#根据当前位置进行分词,ascii的直接读取连续字符,中文的读取词库

if not __dict.has_key(first_char):

if first_char in string.ascii_letters:

return __match_ascii(i, input)

return first_char

words = __dict[first_char]

for word in words:

if input[i:i+len(word)] == word:

return word

return first_char

def tokenize(input):

#对input进行分词,input必须是uncode编码

if not input: return []

tokens = []

i = 0

while i < len(input):

first_char = input[i]

matched_word = __match_word(first_char, i, input)

tokens.append(matched_word)

i += len(matched_word)

return tokens

if __name__ == '__main__':

def get_test_text():

import urllib2

url = "http://news.baidu.com/n?cmd=4&class=rolling&pn=1&from=tab&sub=0"

text = urllib2.urlopen(url).read()

return unicode(text, 'gbk')

def load_dict_test():

load_dict()

for first_char, words in __dict.items():

print '%s:%s' % (first_char, ' '.join(words))

def tokenize_test(text):

load_dict()

tokens = tokenize(text)

for token in tokens:

print token

tokenize_test(unicode(u'美丽的花园里有各种各样的小动物'))

tokenize_test(get_test_text())我也学习啦~~~

  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值