python结巴分词的缺点_Python 结巴分词

今天的任务是对txt文本进行分词，有幸了解到"结巴"中文分词，其愿景是做最好的Python中文分词组件。有兴趣的朋友请点这里。

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

下面是我做的小尝试，对txt文本进行分词，并对获取的分词进行计数，最后将结果写入result.txt中。代码如下：

#-*- coding: utf-8 -*-#-----------------------------------------------------#功能：将txt文本进行分词处理#作者：chenbjin#日期：2014-07-14#语言：Python 2.7.6#环境：linux（ubuntu）#jieba（Must be installed）#使用：python fenci.py file.txt#-----------------------------------------------------

importjiebaimportsys

reload(sys)

sys.setdefaultencoding('utf8')deffenci(argv) :

filename= argv[1]

f= open(filename,'r+')

file_list=f.read()

f.close()

seg_list= jieba.cut(file_list,cut_all=True)

tf={}for seg inseg_list :#print seg

seg = ''.join(seg.split())if (seg != '' and seg != "\n" and seg != "\n\n") :if seg intf :

tf[seg]+= 1

else:

tf[seg]= 1f= open("result.txt","w+")for item intf:#print item

f.write(item+" "+str(tf[item])+"\n")

f.close()if __name__ == '__main__' : fenci(sys.argv)

参考资料：

1.结巴中文分词：https://github.com/fxsjy/jieba

2.Demo of jieba：http://jiebademo.ap01.aws.af.cm/