jieba库的使用

1. jieba库概述

jieba是优秀的中文分词第三方库

• 中文文本需要通过分词获得单个的词语
• jieba是优秀的中文分词第三方库，需要额外安装
• jieba库提供三种分词模式，最简单只需掌握一个函数

2. jieba库的安装

（cmd命令行）pip install jieba

3. jieba的分词原理

• 利用一个中文词库，确定中文字符之间的关联概率
• 中文字符间概率大的组成词组，形成分词结果
• 除了分词，用户还可以添加自定义的词组

4. jieba库的使用

4.1 jieba分词的的三种模式

• 精确模式：把文本精确地切分开，不存在冗余单词
• 全模式：把文本中所有可能的词语都扫描出来，有冗余
• 搜索引擎模式：在精确模式的基础上，对长词再次切分

4.2 jieba库常用函数

• jieba.lcut(s)★ —— 精确模式，返回一个列表类型的分词结果

  >>> import jieba
  >>> jieba.lcut("中国是一个伟大的国家")
  
  ['中国', '是', '一个', '伟大', '的', '国家']
  

• jieba.lcut(s, cut_all=True) —— 全模式，返回一个列表类型的结果，存在冗余

  >>> jieba.lcut("中国是一个伟大的国家", cut_all=True)
  ['中国', '国是', '一个', '伟大', '的', '国家']
  

• jieba.lcut_for_search(s) —— 搜索引擎模式，返回一个列表类型的分词结果，存在冗余

  >>> jieba.lcut_for_search("中华人民共和国是最伟大的")
  ['中华', '华人', '人民', '共和', '共和国', '中华人民共和国', '是', '最', '伟大', '的']
  

• jieba.add_word(w) —— 向分词词典增加新词“w”

词频统计实例：
英文文本——《哈姆雷特（英文版）》
要点：文本去噪归一化、使用字典表示词频

def getText():
    txt = open("hamlet.txt", "r"