jieba中文处理的学习

'''
系统帮助还可以搜索库函数的定义
import jieba
help(jieba.cut)
Help on method cut in module jieba:cut(sentence, cut_all=False, HMM=True) method of jieba.Tokenizer instanceThe main function that segments an entire sentence that containsChinese characters into seperated words.Parameter:- sentence: The str(unicode) to be segmented.- cut_all: Model type. True for full pattern, False for accurate pattern.- HMM: Whether to use the Hidden Markov Model.1.基本分词函数与用法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)jieba.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'''import jiebaseg_list = jieba.cut("我在学习自然语言处理", cut_all=True)
#print(seg_list) #seg_list是一个迭代对象无法输出，所以这行显示为<generator object Tokenizer.cut at 0x0000000002F346D0>print("Full Mode: " + "/ ".join(seg_list))  # 全模式seg_list = jieba.cut("我在学习自然语言处理", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))  # 精确模式seg_list = jieba.cut("他毕业于上海交通大学，在百度深度学习研究院进行研究")  # 默认是精确模式
print(", ".join(seg_list))seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")  # 搜索引擎模式
print(", ".join(seg_list))
'''Full Mode: 我/ 在/ 学习/ 自然/ 自然语言/ 语言/ 处理
Default Mode: 我/ 在/ 学习/ 自然语言/ 处理
他, 毕业, 于, 上海交通大学, ，, 在, 百度, 深度, 学习, 研究院, 进行, 研究
小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, ，, 后, 在, 哈佛, 大学, 哈佛大学, 深造
[Finished in 2.4s]
'''#jieba.lcut以及jieba.lcut_for_search直接返回 list
import jieba
result_lcut = jieba.lcut("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")
print (result_lcut)
print (" ".join(result_lcut))
print (" ".join(jieba.lcut_for_search("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")))
'''['小明', '硕士', '毕业', '于', '中国科学院', '计算所', '，', '后', '在', '哈佛大学', '深造']
小明 硕士 毕业 于 中国科学院 计算所 ， 后 在 哈佛大学 深造
小明 硕士 毕业 于 中国 科学 学院 科学院 中国科学院 计算 计算所 ， 后 在 哈佛 大学 哈佛大学 深造
[Finished in 2.8s]
''''''
添加用户自定义词典
很多时候我们需要针对自己的场景进行分词，会有一些领域内的专有词汇。
•1.可以用jieba.load_userdict(file_name)加载用户字典
•2.少量的词汇可以自己用下面方法手动添加：◾用 add_word(word, freq=None, tag=None) 和 del_word(word) 在程序中动态修改词典
◾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。'''
print('/'.join(jieba.cut('如果放到旧字典中将出错。', HMM=False)))
jieba.suggest_freq(('中', '将'), True)
print('/'.join(jieba.cut('如果放到旧字典中将出错。', HMM=False)))
'''如果/放到/旧/字典/中将/出错/。
如果/放到/旧/字典/中/将/出错/。
[Finished in 2.8s]
'''import jieba'''
关键词提取
基于 TF-IDF 算法的关键词抽取
import jieba.analyse
•jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())◾sentence 为待提取的文本
◾topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20
◾withWeight 为是否一并返回关键词权重值，默认值为 False
◾allowPOS 仅包括指定词性的词，默认值为空，即不筛选
'''
import jieba.analyse as analyse
lines = open('NBA.txt').read()
print "  ".join(analyse.extract_tags(lines, topK=20, withWeight=False, allowPOS=()))
#韦少  杜兰特  全明星  全明星赛  MVP  威少  正赛  科尔  投篮  勇士  球员  斯布鲁克  更衣柜  张卫平  三连庄  NBA  西部  指导  雷霆  明星队lines = open(u'西游记.txt').read()
print "  ".join(analyse.extract_tags(lines, topK=20, withWeight=False, allowPOS=()))
#行者  八戒  师父  三藏  唐僧  大圣  沙僧  妖精  菩萨  和尚  那怪  那里  长老  呆子  徒弟  怎么  不知  老孙  国王  一个'''关于TF-IDF 算法的关键词抽取补充•关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径
◾用法： jieba.analyse.set_idf_path(file_name) # file_name为自定义语料库的路径◦自定义语料库示例见这里
◦用法示例见这里◾关键词提取所使用停止词（Stop Words）文本语料库可以切换成自定义语料库的路径◦用法： jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径
◦自定义语料库示例见这里
◦用法示例见这里•关键词一并返回关键词权重值示例
◾用法示例见这里基于 TextRank 算法的关键词抽取•jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) 直接使用，接口相同，注意默认过滤词性。
•jieba.analyse.TextRank() 新建自定义 TextRank 实例算法论文： TextRank: Bringing Order into Texts基本思想:
•将待抽取关键词的文本进行分词
•以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图
•计算图中节点的PageRank，注意是无向带权图
'''
import jieba.analyse as analyse
lines = open('NBA.txt').read()
print "  ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')))
print "---------------------我是分割线----------------"
print "  ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=('ns', 'n')))
'''
全明星赛  勇士  正赛  指导  对方  投篮  球员  没有  出现  时间  威少  认为  看来  结果  相隔  助攻  现场  三连庄  介绍  嘉宾
---------------------我是分割线----------------
勇士  正赛  全明星赛  指导  投篮  玩命  时间  对方  现场  结果  球员  嘉宾  时候  全队  主持人  特点  大伙  肥皂剧  全程  快船队
'''
lines = open(u'西游记.txt').read()
print "  ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')))
#行者  师父  八戒  三藏  大圣  不知  菩萨  妖精  只见  长老  国王  却说  呆子  徒弟  小妖  出来  不得  不见  不能  师徒'''词性标注
•jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器，tokenizer 参数可指定内部使用的 jieba.Tokenizer 分词器。jieba.posseg.dt 为默认词性标注分词器。
•标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法。
•具体的词性对照表参见计算所汉语词性标记集
'''
import jieba.posseg as pseg
words = pseg.cut("我爱自然语言处理")
for word, flag in words:print('%s %s' % (word, flag))'''我 r
爱 v
自然语言 l
处理 v
[Finished in 4.4s]
''''''并行分词原理：将目标文本按行分隔后，把各行文本分配到多个 Python 进程并行分词，然后归并结果，从而获得分词速度的可观提升 基于 python 自带的 multiprocessing 模块，目前暂不支持 Windows用法：
jieba.enable_parallel(4) # 开启并行分词模式，参数为并行进程数
jieba.disable_parallel() # 关闭并行分词模式实验结果：在 4 核 3.4GHz Linux 机器上，对金庸全集进行精确分词，获得了 1MB/s 的速度，是单进程版的 3.3 倍。注意：并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。
'''
import sys
import time
import jiebajieba.enable_parallel()
content = open(u'西游记.txt',"r").read()
t1 = time.time()
words = "/ ".join(jieba.cut(content))
t2 = time.time()
tm_cost = t2-t1
print('并行分词速度为 %s bytes/second' % (len(content)/tm_cost))jieba.disable_parallel()
content = open(u'西游记.txt',"r").read()
t1 = time.time()
words = "/ ".join(jieba.cut(content))
t2 = time.time()
tm_cost = t2-t1
print('非并行分词速度为 %s bytes/second' % (len(content)/tm_cost))
'''
并行分词速度为 830619.50933 bytes/second
非并行分词速度为 259941.448353 bytes/second
''''''
Tokenize：返回词语在原文的起止位置注意，输入参数只接受 unicode
'''
print "这是默认模式的tokenize"
result = jieba.tokenize(u'自然语言处理非常有用')
for tk in result:print("%s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))print "\n-----------我是神奇的分割线------------\n"print "这是搜索模式的tokenize"
result = jieba.tokenize(u'自然语言处理非常有用', mode='search')
for tk in result:print("%s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
'''
这是默认模式的tokenize
自然语言         start: 0        end:4
处理       start: 4        end:6
非常       start: 6        end:8
有用       start: 8        end:10-----------我是神奇的分割线------------这是搜索模式的tokenize
自然       start: 0        end:2
语言       start: 2        end:4
自然语言         start: 0        end:4
处理       start: 4        end:6
非常       start: 6        end:8
有用       start: 8        end:10
''''''
ChineseAnalyzer for Whoosh 搜索引擎
•from jieba.analyse import ChineseAnalyzer
'''# -*- coding: UTF-8 -*-
from __future__ import unicode_literals
import sys,os
sys.path.append("../")
from whoosh.index import create_in,open_dir
from whoosh.fields import *
from whoosh.qparser import QueryParseranalyzer = jieba.analyse.ChineseAnalyzer()
schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT(stored=True, analyzer=analyzer))if not os.path.exists("tmp"):os.mkdir("tmp")ix = create_in("tmp", schema) # for create new index
#ix = open_dir("tmp") # for read only
writer = ix.writer()writer.add_document(title="document1",path="/a",content="This is the first document we’ve added!"
)writer.add_document(title="document2",path="/b",content="The second one 你 中文测试中文 is even more interesting! 吃水果"
)writer.add_document(title="document3",path="/c",content="买水果然后来世博园。"
)writer.add_document(title="document4",path="/c",content="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"
)writer.add_document(title="document4",path="/c",content="咱俩交换一下吧。"
)writer.commit()
searcher = ix.searcher()
parser = QueryParser("content", schema=ix.schema)for keyword in ("水果世博园","你","first","中文","交换机","交换"):print(keyword+"的结果为如下：")q = parser.parse(keyword)results = searcher.search(q)for hit in results:print(hit.highlights("content"))print("\n--------------我是神奇的分割线--------------\n")for t in analyzer("我的好朋友是李明;我爱北京天安门;IBM和Microsoft; I have a dream. this is intetesting and interested me a lot"):print(t.text)'''
水果世博园的结果为如下：
买<b class="match term0">水果</b>然后来<b class="match term1">世博园</b>--------------我是神奇的分割线--------------你的结果为如下：
second one <b class="match term0">你</b> 中文测试中文 is even more interesting--------------我是神奇的分割线--------------first的结果为如下：
<b class="match term0">first</b> document we’ve added--------------我是神奇的分割线--------------中文的结果为如下：
second one 你 <b class="match term0">中文</b>测试<b class="match term0">中文</b> is even more interesting--------------我是神奇的分割线--------------交换机的结果为如下：
干事每月经过下属科室都要亲口交代24口<b class="match term0">交换机</b>等技术性器件的安装工作--------------我是神奇的分割线--------------交换的结果为如下：
咱俩<b class="match term0">交换</b>一下吧
干事每月经过下属科室都要亲口交代24口<b class="match term0">交换</b>机等技术性器件的安装工作--------------我是神奇的分割线--------------我
好
朋友
是
李明
我
爱
北京
天安
天安门
ibm
microsoft
dream
intetest
interest
me
lot''''''
命令行分词使用示例：python -m jieba news.txt > cut_result.txt命令行选项（翻译）：
使用: python -m jieba [options] filename结巴命令行界面。固定参数:filename              输入文件可选参数:-h, --help            显示此帮助信息并退出-d [DELIM], --delimiter [DELIM]使用 DELIM 分隔词语，而不是用默认的' / '。若不指定 DELIM，则使用一个空格分隔。-p [DELIM], --pos [DELIM]启用词性标注；如果指定 DELIM，词语和词性之间用它分隔，否则用 _ 分隔-D DICT, --dict DICT  使用 DICT 代替默认词典-u USER_DICT, --user-dict USER_DICT使用 USER_DICT 作为附加词典，与默认词典或自定义词典配合使用-a, --cut-all         全模式分词（不支持词性标注）-n, --no-hmm          不使用隐含马尔可夫模型-q, --quiet           不输出载入信息到 STDERR-V, --version         显示版本信息并退出如果没有指定文件名，则使用标准输入。--help 选项输出：
$> python -m jieba --help
Jieba command line interface.positional arguments:filename              input fileoptional arguments:-h, --help            show this help message and exit-d [DELIM], --delimiter [DELIM]use DELIM instead of ' / ' for word delimiter; or aspace if it is used without DELIM-p [DELIM], --pos [DELIM]enable POS tagging; if DELIM is specified, use DELIMinstead of '_' for POS delimiter-D DICT, --dict DICT  use DICT as dictionary-u USER_DICT, --user-dict USER_DICTuse USER_DICT together with the default dictionary orDICT (if specified)-a, --cut-all         full pattern cutting (ignored with POS tagging)-n, --no-hmm          don't use the Hidden Markov Model-q, --quiet           don't print loading messages to stderr-V, --version         show program's version number and exitIf no filename specified, use STDIN instead.'''

jieba中文处理的学习相关推荐

jieba中文分词源码分析（四）
一.未登录词问题在jieba中文分词的第一节曾提到未登录词问题中文分词的难点分词规范,词的定义还不明确 (<统计自然语言处理>宗成庆) 歧义切分问题,交集型切分问题,多义组合型切分歧 ...
【自然语言处理基础技能（NLP）】jieba中文文本处理
1.基本分词函数与用法 # 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(un ...
NLP－jieba中文处理 (一)
jieba中文处理和拉丁语系不同,亚洲语言是不用空格分开每个有意义的词的.而当我们进行自然语言处理的时候,大部分情况下,词汇是我们对句子和文章理解的基础,因此需要一个工具去把完整的文本中分解成粒度更 ...
jieba分词_Jieba.el – 在Emacs中使用jieba中文分词
jieba.el 在Emacs中使用jieba中文分词众所周知, Emacs并没有内置中文分词系统, 以至于 forward-word 和 backward-word 以及 kill-word 等以 ...
ib中文素养课学习经验介绍，我是怎么学习IB中文的？
ib中文素养课学习经验,看看别人怎么学习的? 我的IB汉语书面形式考试成绩一向不能叫作顶级,卷一卷二长期在6和5的界限彷徨,有时候还会继续大型翻车掉到5,最好是战绩是差一点点够到7的边沿,但从沒有机遇 ...
Jieba中文分词下如何画词云图？
配置:anaconda3 + Pycharm 文章目录 WordCloud 关于Jieba分词 Jieba中文分词 +绘制词云图案例 WordCloud 英文文本导入第三方模块 from word ...
jieba —— 中文分词工具（一）
jieba 中文分词工具包 (一) 01 简介 "结巴" 中文分词:做最好的 Python 中文分词组件: "Jieba" (Chinese for " ...
文本分析--jieba中文分词
分词技术可以分为英文分词和中文分词: 对于英文分词而言,由于英文单词之间以空格来分隔,所以在进行英文分词的过程中,只需要针对空格进行划分就可以了. 对于中文分词而言,中文单词之 ...
jieba中文分词学习
尝试对三国演义中的人物进行词频统计,这只是初步统计,后续还应该继续优化. import jieba txt = open("threekingdoms.txt", "r& ...

jieba中文处理的学习

jieba中文处理的学习相关推荐

最新文章

热门文章