Python 结巴分词(1)分词
利用结巴分词来进行词频的统计,并输出到文件中。
结巴分词github地址:结巴分词
结巴分词的特点:
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。
支持繁体分词
- 支持自定义词典
- MIT 授权协议
算法:
- 基于前缀词典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
分词参数:
ieba.cut
方法接受三个输入参数: 需要分词的字符串;cut_all 参数用来控制是否采用全模式;HMM 参数用来控制是否使用 HMM 模型jieba.cut_for_search
方法接受两个参数:需要分词的字符串;是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词,粒度比较细- 待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意:不建议直接输入 GBK 字符串,可能无法预料地错误解码成 UTF-8
jieba.cut
以及jieba.cut_for_search
返回的结构都是一个可迭代的 generator,可以使用 for 循环来获得分词后得到的每一个词语(unicode),或者用jieba.lcut
以及jieba.lcut_for_search
直接返回 listjieba.Tokenizer(dictionary=DEFAULT_DICT)
新建自定义分词器,可用于同时使用不同词典。jieba.dt
为默认分词器,所有全局分词相关函数都是该分词器的映射。
用户词典:
载入词典
- 开发者可以指定自己自定义的词典,以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力,但是自行添加新词可以保证更高的正确率
- 用法: jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径
- 词典格式和
dict.txt
一样,一个词占一行;每一行分三部分:词语、词频(可省略)、词性(可省略),用空格隔开,顺序不可颠倒。file_name
若为路径或二进制方式打开的文件,则文件必须为 UTF-8 编码。 - 词频省略时使用自动计算的能保证分出该词的词频。
调整词典
- 使用
add_word(word, freq=None, tag=None)
和del_word(word)
可在程序中动态修改词典。 使用
suggest_freq(segment, tune=True)
可调节单个词语的词频,使其能(或不能)被分出来。注意:自动计算的词频在使用 HMM 新词发现功能时可能无效。
- 使用
用户词典:userdict.dict
云计算 5 李小福 2 nr 创新办 3 i easy_install 3 eng 好用 300 韩玉赏鉴 3 nz 八一双鹿 3 nz 台中 凱特琳 nz Edu Trust认证 2000 石墨烯
分词代码:fenci.py
1 #encoding=utf-8 2 from __future__ import print_function, unicode_literals 3 import sys 4 sys.path.append("../") 5 import jieba 6 jieba.load_userdict("userdict.txt")#导入用户自定义词典 7 import jieba.posseg as pseg 8 9 # jieba.add_word('石墨烯')#动态添加自定义单词 10 jieba.add_word('凱特琳') 11 jieba.del_word('自定义词') 12 jieba.add_word("易风化") 13 14 test_sent = ( 15 "磷酸氢二钠在空气中易风化,常温时放置于空气中失去约5个结晶水而形成七水物,加热至100℃时失去全部结晶水而成无水物\n" 16 "例如我输入一个带“韩玉赏鉴”的标题,在自定义词库中也增加了此词为N类\n" 17 "「台中」正確應該不會被切開。mac上可分出「石墨烯」;此時又可以分出來凱特琳了。" 18 ) 19 words = jieba.cut(test_sent) 20 print('/'.join(words)) 21 22 print("="*40) 23 24 result = pseg.cut(test_sent) 25 26 for w in result: 27 print(w.word, "/", w.flag, ", ", end=' ')#标注词性 28 29 print("\n" + "="*40) 30 31 terms = jieba.cut('easy_install is great') 32 print('/'.join(terms)) 33 terms = jieba.cut('python 的正则表达式是好用的') 34 print('/'.join(terms)) 35 36 print("="*40) 37 # test frequency tune 38 testlist = [ 39 ('今天天气不错', ('今天', '天气')), 40 ('如果放到post中将出错。', ('中', '将')), 41 ('我们中出了一个叛徒', ('中', '出')), 42 ] 43 44 for sent, seg in testlist: 45 print('/'.join(jieba.cut(sent, HMM=False))) 46 word = ''.join(seg) 47 print('%s Before: %s, After: %s' % (word, jieba.get_FREQ(word), jieba.suggest_freq(seg, True))) 48 print('/'.join(jieba.cut(sent, HMM=False))) 49 print("-"*40)
结果:
Building prefix dict from the default dictionary ... Loading model from cache c:\users\wangyuguang\appdata\local\temp\jieba.cache Loading model cost 0.363 seconds. Prefix dict has been built succesfully. 磷酸氢二钠/在/空气/中/易风化/,/常温/时/放置/于/空气/中/失去/约/5/个/结晶水/而/形成/七水物/,/加热/至/100/℃/时/失去/全部/结晶水/而成/无水/物/ /例如/我/输入/一个/带/“/韩玉赏鉴/”/的/标题/,/在/自定义词/库中/也/增加/了/此/词为/N/类/ /「/台中/」/正確/應該/不會/被/切開/。/mac/上/可/分出/「/石墨烯/」/;/此時/又/可以/分出/來/凱特琳/了/。 ======================================== 磷酸氢二钠 / nz , 在 / p , 空气 / n , 中 / f , 易风化 / x , , / x , 常温 / n , 时 / n , 放置 / v , 于 / p , 空气 / n , 中 / f , 失去 / v , 约 / d , 5 / m , 个 / m , 结晶水 / n , 而 / c , 形成 / v , 七 / m , 水物 / n , , / x , 加热 / v , 至 / p , 100 / m , ℃ / x , 时 / n , 失去 / v , 全部 / n , 结晶水 / n , 而 / c , 成 / v , 无水 / v , 物 / zg , / x , 例如 / v , 我 / r , 输入 / v , 一个 / m , 带 / v , “ / x , 韩玉赏鉴 / nz , ” / x , 的 / uj , 标题 / n , , / x , 在 / p , 自定义词 / n , 库中 / nrt , 也 / d , 增加 / v , 了 / ul , 此 / r , 词 / n , 为 / p , N / eng , 类 / q , / x , 「 / x , 台中 / s , 」 / x , 正確 / ad , 應該 / v , 不 / d , 會 / v , 被 / p , 切開 / ad , 。 / x , mac / eng , 上 / f , 可 / v , 分出 / v , 「 / x , 石墨烯 / x , 」 / x , ; / x , 此時 / c , 又 / d , 可以 / c , 分出 / v , 來 / zg , 凱特琳 / nz , 了 / ul , 。 / x , ======================================== easy_install/ /is/ /great python/ /的/正则表达式/是/好用/的 ======================================== 今天天气/不错 今天天气 Before: 3, After: 0 今天天气/不错 ---------------------------------------- 如果/放到/post/中将/出错/。 中将 Before: 763, After: 494 如果/放到/post/中/将/出错/。 ---------------------------------------- 我们/中/出/了/一个/叛徒 中出 Before: 3, After: 3 我们/中/出/了/一个/叛徒 ----------------------------------------Process finished with exit code 0
Python 结巴分词(1)分词相关推荐
- python结巴分词 能分英文吗_NLTK(一):英文分词分句
简书著作权归作者所有,任何形式的转载都请联系作者获得授权并注明出处. 一.NLTK 的安装 如果是python 2.x 的环境,安装命令如下: sudo pip install nltk 如果是pyt ...
- python结巴分词代码_python结巴分词SEO的应用详解
本帖最后由 为人生而奋斗 于 2019-10-15 16:19 编辑 结巴分词在SEO中可以应用于分析/提取文章关键词.关键词归类.标题重写.文章伪原创等等方面,用处非常多. 具体结巴分词项目:htt ...
- python用jieba进行分词并可视化
python用jieba进行分词并可视化 import jieba import pandas as pd import matplotlib.pyplot as plt txt = open(&qu ...
- 自然语言处理系列十七》中文分词》分词工具实战》Python的Jieba分词
注:此文章内容均节选自充电了么创始人,CEO兼CTO陈敬雷老师的新书<分布式机器学习实战>(人工智能科学与技术丛书)[陈敬雷编著][清华大学出版社] 文章目录 自然语言处理系列十七 分词工 ...
- python编程实现文本分词_Python:徒手创建分词函数
又发现一个牛逼的东西,值得记录~~~ 分词方法有很多,其中最最基础的一个方法叫做最大正向匹配法,思路如下:百度到的某无名氏贡献的流程图 该方法会从一个字符串的第一个字符作为开始,以字典中最长的词的长度 ...
- python提取高频词_cygwin下用Python+jieba给文本分词并提取高频词
本文信息本文由方法SEO顾问发表于2015-05-3023:05:55,共 2000 字,转载请注明:cygwin下用Python+jieba给文本分词并提取高频词_[方法SEO顾问],如果我网站的文 ...
- python wiki中文语料分词
上篇将wiki中文语料已经下载下来(wiki中文文本语料下载并处理 ubuntu + python2.7),并且转为了txt格式,本篇对txt文件进行分词,分词后才能使用word2vector训练词向 ...
- 中文分词算法python代码_中文分词算法之最大正向匹配算法(Python版)
最大匹配算法是自然语言处理中的中文匹配算法中最基础的算法,分为正向和逆向,原理都是一样的. 正向最大匹配算法,故名思意,从左向右扫描寻找词的最大匹配. 首先我们可以规定一个词的最大长度,每次扫描的时候 ...
- word分词器、ansj分词器、mmseg4j分词器、ik-analyzer分词器分词效果评估
2019独角兽企业重金招聘Python工程师标准>>> word分词是一个Java实现的中文分词组件,提供了多种基于词典的分词算法,并利用ngram模型来消除歧义. 能准确识别英文. ...
- 中文分词器分词效果的评测方法
[原创]中文分词器分词效果的评测方法 2013年8月27日 由 learnhard留言 » 转载请注明出处:http://www.codelast.com/ 现在有很多开源的中文分词器库,如果你的项目 ...
最新文章
- 计算机网络系统--Microsoft Lync 与 腾讯通RTX 对比(转载)
- OTA常见方案分析(差分升级 全量升级 AB面升级 Recovery系统升级)
- 实例介绍,如何在开发中将各层日志归类输出.
- [云炬创业基础笔记]第四章测试22
- idea快捷键之记录
- java怎编写么解析一个类型_DAY3:你必须知道的java虚拟机之类篇——类文件的结构...
- C++表白代码--Beating heart
- git push 报错:you are not allowed to upload merges
- java tcp demo_详解Java使用TCP实现数据传输实例
- k8s服务发现和负载均衡(转)
- 苹果自带录屏在哪_苹果录音功能在哪?iPhone自带录音功能的正确打开方式
- GLSL Core Tutorial – Pipeline (OpenGL 3.2 – OpenGL 4.2)
- 利用TTL转USB串口在两台PC机间进行文件传输
- 湖北武汉劳务员证书劳务人员实名制管理的策略建筑七大员培训
- 每天一种设计模式之抽象工厂模式(Java实现)
- htc android 9,点赞!HTC宣布这4款手机可升级至安卓9.0:均为U系列
- 一台云服务器ECS如何绑定多个公网IP
- 电脑端10大图片处理类神器
- ASP新闻发布网站(一) 首页
- php 和 photoshop,pscc和ps有什么区别
热门文章
- synchronized与Lock的区别与使用
- 剑指offer(12)
- 解决SSH连接Linux超时自动断开
- python3: print()函数:def,end关键字介绍
- cookie的路径和域
- Overlapping Rectangles 离散+线段树 +扫描线
- 【树莓派】为树莓派配置或扩展swap分区
- SQL Server 数据库的维护(一)__存储过程(procedure)
- springmvc @responsebody json字符编码
- leetcode 206 Reverse Linked List