python 分词工具对比_分词工具使用解析
1.现有的分词工具包
由于中文文本词与词之间没有像英文那样有空格分隔,因此很多时候中文文本操作都涉及切词,因此我上网整理了一些中文分词工具。这些分词工具大都是基于JAVA语言。
perminusminus
Stanford 汉语分词工具(Bakeoff-2两项第一)
哈工大语言云(LTP -cloud)
ICTCLAS——(Bakeoff -1两项第一)
Ansj(ICTCLAS的java实现)
庖丁解牛分词
盘古分词
IKAnalyzer
imdict-chinese-analyzer
mmseg4j
FudanNLP(复旦大学)
GooSeeker
Jcseg
jieba
SCWS
Friso
HTTPCWS
libmmseg
OpenCLAS
CRF++ (Bakeoff-3四项第一)
2.四种分词效果的比较分析
分词效果展示
3.分词工具的使用
以上的分词工具可以分为两类,在线编辑工具,无须下载安装与编程以及基于Python和Java语言编程的分词工具。
我随机选取了集搜客文本分词工具和Jieba作为分词练习的工具。
首先是集搜客文本分词工具。
我选择解析的文本是朱自清先生的《背影》。具体选择原因不展开叙述。操作较为简单,分为以下三步。
1.导入文本数据,系统会进行自动分词,得到词语列表和分词效果表。
2.筛选词语,系统自动匹配原文本。集搜客将词语列表按照词频大小排序,点击词语可以查看样本数据,筛选出有用的词,系统会自动将词语与原文本进行匹配,得到选词结果表和打标结果表
3.下载数据结果表。完成前两步之后,就可以同时下载到选词结果表、打标结果表、分词效果表三张数据表。
导入数据界面
词语筛选
选词结果
最后分词效果
集搜客分词解析工具的十分容易上手,无需编程经验即可完成对文件的分词解析,上手较快。界面直观,用户可以直接在结果页上进行随时修改,很方便。
Jieba工具使用
1)分词
结巴分词支持3中分词模式:
1,全模式:把句子中的所有可以成词的词语都扫描出来,
2, 精确模式:试图将文本最精确的分开,适合于做文本分析。
3,搜索引擎模式:在精确的基础上对长词进行进一步的切分。
函数jieba.cut接受两个输入参数,第一个是将要分词的对象,第二个是采用的模式。该函数返回的是一个可以迭代的generator, 可以使用for循环得到分词后得到的每一个词语。
全模式
精确模式
搜索引擎模式
下面是我编写的分词代码
import jieba
import codecs
with open('beiying.txt', 'r') as f:
for line in f:
seg = jieba.cut(line.strip(), cut_all = False)
s= '/'.join(seg)
m=list(s)
with open('results.txt','a+')as f:
for word in m:
f.write(word.encode('utf-8'))
#print word
代码调试成功后是如下结果
解析背影分词结果
词频统计结果如下:
背影词频结果图
结巴结合python代码能够较为准确快速的实现对文件的分词,但是无法针对实时代码界面对分词结果进行修改。
4.总结
jieba可以针对不同的模式返回不同的分词结果,分词结果较为准确。
集搜客则较为容易上手,但是分词效果没有jieba理想。jieba还有相应的关键词提取和文字标识、添加自定义词典等方式的选择,在文件较大,需要进行文字分词的数目较多的情况下,用jieba还是比较准确和高效。因而,集搜客比较适合与一段文字或者篇幅较小的文章进行分词解析,而jieba比较适合对系统爬虫数据的分词解析。
python 分词工具对比_分词工具使用解析相关推荐
- python 分词工具对比_五款中文分词工具在线PK: Jieba, SnowNLP, PkuSeg, THULAC, HanLP
最近玩公众号会话停不下来: 玩转腾讯词向量:Game of Words(词语的加减游戏) ,准备把NLP相关的模块搬到线上,准确的说,搬到AINLP公众号后台对话,所以,趁着劳动节假期,给AINLP公 ...
- python计算召回率_分词结果准确率、召回率计算-python
原博文 2016-06-19 13:01 − 使用python计算crf根据模型的分词结果的准确率,召回率和F值 测试文件output.txt,第一列是字,第二列是人工标注的分词结果,第三列是根据模型 ...
- 有没有可以刷python题的软件_这个工具,30分钟可以把科研人一天的工作都给干完!...
原标题:这个工具,30分钟可以把科研人一天的工作都给干完! 一入科研深似海,每逢返校倍忧桑. 被 paper 和发际线上移支配的恐惧要回来了--一个假发片还够用吗? 1 文献看到眼花,科研热点总是无缘 ...
- 工具对比_模拟慢网速环境
出于工作需要,有时候需要模拟用户的慢网速对产品做进一步测试&优化,目前有三个软件可以模拟慢网速:Fiddler,NetLimiter,Network Delay Simulator.应该还有更 ...
- python软件安装步骤-初学者python详细安装步骤_编程工具
前言: 随着人工智能的快速发展,python语言越来越受大家的欢迎,目前Python官网已经更新到了最新版Python 3.7.2,这里详细介绍python安装,希望会对大家有所帮助,欢迎留言提问. ...
- 工具用途_小工具大用途:万能扳手、开瓶器、开箱器,DIY16种用法,玩过吗
小工具大用途,用法1:轻松开瓶盖 小工具大用途,用法2:一字螺丝刀,拧螺丝很轻松 小工具大用途,用法3:十字螺丝刀,轻松拧螺丝 小工具大用途,用法4:轻松撬罐头盖 小工具大用途,用法5:开箱如此简单, ...
- bi工具选型_数据分析工具:选合适了,分析也能事半功倍
前言 哪款分析工具比较适合企业做分析?如果企业没有深入了解可能会被市面上漫天的产品广告所淹没,毕竟广告上写的都是可直接对接某某ERP系统的宣言,但深究发现其实背后可能还隐藏了一层:依靠IT工作者写代码 ...
- dateutils 工具类_五金工具泡壳封边机
宁波顺德科技有限公司为您详细解读WViDaf五金工具泡壳封边机的相关知识与详情,常见型号 热合机型号可分为:HQ-5KW,HQ-8KW,HQ-15KW,HQ-25KW等通例型号. 工做本理 热合机工做 ...
- java 正则 工具类_正则表达式工具类,正则表达式封装,Java正则表达式
正则表达式工具类 正则表达式封装 Java正则表达式 >>>>>>>>>>>>>>>>>>& ...
最新文章
- mysql聚合函数不存在的数据_SELECT子句中不存在聚合函数时的GROUP BY行为
- 2007年9月c语言真题及答案,2007年9月二级C语言笔试真题和答案(已再修改).doc
- C#中的接口 (转自吕振宇老师的blog)
- 怎么写ERP实施方案?
- 关于Java中的随机数产生
- WinSock I/O 模型 -- WSAAsyncSelect 模型
- 预处理prepareStatement是怎么防止sql注入漏洞的?
- rtsp协议的视频服务器,RTSP拉流协议视频平台EasyNVR能够接入多少路视频直播流?...
- git-分支管理策略-合并分支时创建新的版本
- 看KubeEdge携手K8S,如何管理中国高速公路上的10万边缘节点
- 交互式地图_张晟推出学校资源交互式地图工具
- 关于Tomcat+Nginx负载均衡与Jmeter服务器测压的日记
- 模拟,贪心,枚举(二)
- 企业私有云解决方案(基于桌面与服务器虚拟化技术)
- 移除mac下 .Ds_Store的解决办法
- 解决Linux下使用QQ的问题
- 语音识别(ASR)论文优选:粤语语料集Automatic Speech Recognition Datasets in Cantonese Language: A Survey and a New D
- 2019 年第 32 周 DApp 影响力排行榜 | TokenInsight
- 关于安装Office之后,右键新建菜单中没有Word、PPT、Excel选项
- Asio Streams, Short Reads and Short Writes
热门文章
- SLAM面试总结...
- 解决 Tomcat 7230 and 3986 错误异常
- 基于Springboot+vue的网上商城购物系统设计与实现
- 英式音标26字母(O-T)
- No symbol table is loaded. Use the “file“ command
- CreateCompatibleDC理解
- android浏览器测试,主流Android浏览器功能对比测试
- 使用Modeler和WID协作实现简单的信用卡申请及进度查询的业务流程
- nil/Nil/NULL/NSNull的来历
- mysql连续登录5天以上用户,【SQL】查询连续登陆7天以上的用户