社交媒体中的表情,经常是中括号+文字的形式,比如,[泪]。
但是按默认的jieba分词,会把[泪]拆成[’[’,‘泪’,’]’]。如果我们想分词的时候保留"[泪]”怎么做呢?
首先修改jieba
直接在jieba包init.py文件中
把
re_han_default = re.compile(“([\u4E00-\u9FD5a-zA-Z0-9+#&._]+)”,re.U)
改成
re_han_default = re.compile("([\u4E00-\u9FD5a-zA-Z0-9+#&\._%\-\]\[]+)", re.U)
然后
import jieba
# 添加不拆新词
jieba.add_word('[泪]')
text = '明天就要高考了,我压力好大……[泪]'
jieba.lcut(text)
输出:
参考资料:
jieba分词支持关键词带空格和特殊字符