结巴分词使用

# -*- coding:utf-8 -*-
import re #正则
import jieba
from wordcloud import WordCloud
import jieba.analyse
from collections import Counter
import matplotlib.pyplot as plt #图片包
import pandas as pd
#加载自定义词典
jieba.load_userdict("E:/Z/Z&R语言/京东评论/zidingyi.txt")
#加载停用词词典
stopwords = {}.fromkeys([ line.rstrip() for line in open('E:/Z/Z&R语言/京东评论/tingyong.txt',encoding="utf-8") ])
with open("E:/Z/Z&R语言/京东评论/jdphonepinglun-utf8.txt",encoding="utf-8") as f:
    str = f.read()
    shangpingid = re.compile(r"(?<=\{\"_id\":\").*?(?=\",)", re.S)
    pinglun = re.compile(r"(?<=:\[).*?(?=\])", re.S)
    idlist = re.findall(shangpingid, str)
    pinglunlist = re.findall(pinglun, str)
    # print("id数量",len(idlist))
    # print("评论数量",len(pinglunlist))
'''关键词和相应的权重
    # 第一个参数:待提取关键词的文本
    # 第二个参数:返回关键词的数量,重要性从高到低排序
    # 第三个参数:是否同时返回每个关键词的权重
    # 第四个参数:词性过滤,为空表示不过滤,若提供则仅返回符合词性要求的关键词
    keywords = jieba.analyse.extract_tags(pinglunlist[1], topK=20, withWeight=True, allowPOS=())
    # 访问提取结果
    for item in keywords:
        # 分别为关键词和相应的权重
        print(item[0], item[1])
'''
'''分词
        seg_list = jieba.cut(j, cut_all=True)
        print("Full Mode: " + "/ ".join(seg_list))  # 全模式
        seg_list = jieba.cut(j, cut_all=False)
        print(",".join(seg_list))  # 精确模式 默认是精确模式
        seg_list = jieba.cut_for_search(j)  # 搜索引擎模式
        print(",".join(seg_list))
'''
#标签云绘制
def Cloud(cut,name=""):

    counts = []
    for word in cut:
        if len(word) == 1 or word in stopwords:
            continue
        else:
            counts.append(word)
    c = Counter(counts)
    #写csv文件
    words = []
    pingshu = []
    for item in c.most_common(2000):
        words.append(item[0])
        pingshu.append(item[1])
    dataframe = pd.DataFrame({'词': words, '出现次数': pingshu})
    dataframe.to_csv(name+"的词频数.csv", index=False, sep=',', encoding="utf_8_sig")
    #绘制标签云
    wordCloud = WordCloud(
        font_path='data/simhei.ttf',  # 设置字体为中文字体
        background_color='black',  # 设置词云背景颜色
    )
    wordCloud.fit_words(c)  # 配置词云
    wordCloud.to_file(name+"标签云.jpg")
    print(name)
    # plt.imshow(wordCloud)
    # plt.axis("off")
    # plt.show()

#总评论
cutzong = jieba.lcut(str, cut_all=False)  # jieba.lcut 可以直接输出列表
Cloud(cutzong,"总体")
#各商品id
i=0
try:
    for j in pinglunlist:
        cutData = jieba.lcut(j, cut_all=False)  # jieba.lcut 可以直接输出列表
        if len(cutData) >= 20000:
            Cloud(cutData,idlist[i])
            print(" ".join(cutData))
            i=i+1
        else:
            i=i+1
except:
    pass
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
结巴分词早期版本。 * 结巴分词(java版) jieba-analysis 首先感谢jieba分词原作者[[https://github.com/fxsjy][fxsjy]],没有他的无私贡献,我们也不会结识到结巴 分词,更不会有现在的java版本。 结巴分词的原始版本为python编写,目前该项目在github上的关注量为170, 打星727次(最新的数据以原仓库为准),Fork238次,可以说已经有一定的用户群。 结巴分词(java版)只保留的原项目针对搜索引擎分词的功能(cut_for_index、cut_for_search),词性标注,关键词提取没有实现(今后如用到,可以考虑实现)。 * 简介 ** 支持分词模式 - Search模式,用于对用户查询词分词 - Index模式,用于对索引文档分词 ** 特性 - 支持多种分词模式 - 全角统一转成半角 - 用户词典功能 - conf 目录有整理的搜狗细胞词库 - 支持词性标注(感谢 [[https://github.com/linkerlin][@linkerlin]] 的贡献) * 如何获取 - 当前稳定版本 #+BEGIN_SRC xml com.huaban jieba-analysis 0.0.2 #+END_SRC - 当前快照版本 - 支持词性标注 [[https://github.com/huaban/jieba-analysis/pull/4][#4]] - 修复以'-'连接词分词错误问题 [[https://github.com/huaban/jieba-analysis/issues/3][#3]] #+BEGIN_SRC xml com.huaban jieba-analysis 1.0.0-SNAPSHOT #+END_SRC * 如何使用 - Demo #+BEGIN_SRC java @Test public void testDemo() { JiebaSegmenter segmenter = new JiebaSegmenter(); String[] sentences = new String[] {"这是一个伸手不见五指的黑夜。我叫孙悟空,我爱北京,我爱Python和C++。", "我不喜欢日本和服。", "雷猴回归人间。", "工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作", "结果婚的和尚未结过婚的"}; for (String sentence : sentences) { System.out.println(segmenter.process(sentence, SegMode.INDEX).toString()); } } #+END_SRC * 算法(wiki补充...) - [ ] 基于 =trie= 树结构实现高效词图扫描 - [ ] 生成所有切词可能的有向无环图 =DAG= - [ ] 采用动态规划算法计算最佳切词组合 - [ ] 基于 =HMM= 模型,采用 =Viterbi= (维特比)算法实现未登录词识别 * 性能评估 - 测试机配置 #+BEGIN_SRC screen Processor 2 Intel(R) Pentium(R) CPU G620 @ 2.60GHz Memory:8GB 分词测试时机器开了许多应用(eclipse、emacs、chrome...),可能 会影响到测试速度 #+END_SRC - [[src/test/resources/test.txt][测试文本]] - 测试结果(单线程,对测试文本逐行分词,并循环调用上万次) #+BEGIN_SRC screen 循环调用一万次 第一次测试结果: time elapsed:12373, rate:2486.986533kb/s, words:917319.94/s 第二次测试结果: time elapsed:12284, rate:2505.005241kb/s, words:923966.10/s 第三次测试结果: time elapsed:12336, rate:2494.445880kb/s, words:920071.30/s 循环调用2万次 第一次测试结果: time elapsed:22237, rate:2767.593144kb/s, words:1020821.12/s 第二次测试结果: time elapsed:22435, rate:2743.167762kb/s, words:1011811.87/s 第三次测试结果: time elapsed:22102, rate:2784.497726kb/s, words:1027056.34/s 统计结果:词典加载时间1.8s左右,分词效率每秒2Mb多,近100万词。 2 Processor Intel(R) Core(TM) i3-2100 CPU @ 3.10GHz 12G 测试效果 time elapsed:19597, rate:3140.428063kb/s, words:1158340.52/s time elapsed:20122, rate:3058.491639kb/s, words:1128118.44/s #+END_SRC
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