Python中文分词 jieba，,三种分词模式与一个参

Python中文分词 jieba，,三种分词模式与一个参

三种分词模式与一个参数

以下代码主要来自于jieba的github,你可以在github下载该源码

import jiebaseg_list = jieba.cut("我来到北京清华大学", cut_all=True, HMM=False)  #jieba.cut返回的是一个生成器，而用jieba.lcut会直接返回listprint("Full Mode: " + "/ ".join(seg_list))  # 全模式seg_list = jieba.cut("我来到北京清华大学", cut_all=False, HMM=True)print("Default Mode: " + "/ ".join(seg_list))  # 默认模式seg_list = jieba.cut("他来到了网易杭研大厦", HMM=False)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，后在日本京都大学深造", HMM=False)  # 搜索引擎模式print(", ".join(seg_list))# jieba.cut的默认参数只有三个,jieba源码如下# cut(self, sentence, cut_all=False, HMM=True)# 分别为:输入文本 是否为全模式分词 与是否开启HMM进行中文分词

关键词提取

from os import pathimport jieba.analyse as analysed = path.dirname(__file__)text_path = ‘txt/lz.txt‘ #设置要分析的文本路径text = open(path.join(d, text_path)).read()for key in analyse.extract_tags(text,50, withWeight=False):# 使用jieba.analyse.extract_tags()参数提取关键字,默认参数为50    print key.encode(‘utf-8‘)    # 设置输出编码为utf-8不然在因为win下控制台默认中文字符集为gbk,所以会出现乱码    # 当withWeight=True时,将会返回number类型的一个权重值(TF-IDF)

运行结果如图所示,但是同样的我们也发现了一些问题,比如:
问题一:
分词错误,在运行结果中中”路明非”(龙族男主)被分成了”路明”和”明非”啷个中文词语,这是因为jieba的词库中并不含有该词的原因,同样的原因以及jieba词库比较老,因而在许多文本分词时都会产生这种情况,而这个问题我们将在第五个模块”三种可以让分词更准确的方法”解决
问题二:
出现非实意词语,无论在哪种语言中,都会存在大量的非实意单词,这一类词云我们需要在进行中文分词时进行去除停用词,这个问题将在下一个模块中解决

中文歧义测试与去除停用词

本段代码主要来自于《机器学习实践指南（第二版））》，其作者为麦好，ps：这是一本好书

import jiebaTestStr = "2010年底部队友谊篮球赛结束"# 因为在汉语中没有空格进行词语的分隔，所以经常会出现中文歧义，比如年底-底部-部队-队友# jieba 默认启用了HMM（隐马尔科夫模型）进行中文分词，实际效果不错seg_list = jieba.cut(TestStr, cut_all=True)print "Full Mode:", "/ ".join(seg_list) # 全模式seg_list = jieba.cut(TestStr, cut_all=False)print "Default Mode:", "/ ".join(seg_list) # 默认模式# 在默认模式下有对中文歧义有较好的分类方式seg_list = jieba.cut_for_search(TestStr) # 搜索引擎模式print "cut for Search","/".join(seg_list)

去除文本中的停用词

import sysimport jiebafrom os import pathd = path.dirname(__file__)stopwords_path = ‘stopwords\stopwords1893.txt‘ # 停用词词表text_path = ‘txt/lz.txt‘ #设置要分析的文本路径text = open(path.join(d, text_path)).read()def jiebaclearText(text):    mywordlist = []    seg_list = jieba.cut(text, cut_all=False)    liststr="/ ".join(seg_list)    f_stop = open(stopwords_path)    try:        f_stop_text = f_stop.read( )        f_stop_text=unicode(f_stop_text,‘utf-8‘)    finally:        f_stop.close( )    f_stop_seg_list=f_stop_text.split(‘\n‘)    for myword in liststr.split(‘/‘):        if not(myword.strip() in f_stop_seg_list) and len(myword.strip())>1:            mywordlist.append(myword)    return ‘‘.join(mywordlist)text1 = jiebaclearText(text)print text1

三种可以让分词更准确的方法

方案一，在jieba中添加中文词语：
这种方法可以有效的解决之前龙族男主”路明非”被分为”路明”和”明非”两个词的情况

#这个只需要在源代码中加入一个语句即可import sysimport jiebafrom os import pathd = path.dirname(__file__)stopwords_path = ‘stopwords\stopwords1893.txt‘ # 停用词词表jieba.add_word(‘路明非‘)# 添加的自定义中文语句的代码在这里# 添加的自定义中文语句的代码在这里# 添加的自定义中文语句的代码在这里text_path = ‘txt/lz.txt‘ #设置要分析的文本路径text = open(path.join(d, text_path)).read()def jiebaclearText(text):    mywordlist = []    seg_list = jieba.cut(text, cut_all=False)    liststr="/ ".join(seg_list)    f_stop = open(stopwords_path)    try:        f_stop_text = f_stop.read( )        f_stop_text=unicode(f_stop_text,‘utf-8‘)    finally:        f_stop.close( )    f_stop_seg_list=f_stop_text.split(‘\n‘)    for myword in liststr.split(‘/‘):        if not(myword.strip() in f_stop_seg_list) and len(myword.strip())>1:            mywordlist.append(myword)    return ‘‘.join(mywordlist)text1 = jiebaclearText(text)print text1

方案二,添加自定义词库:
下面的代码主要来自于jieba的github源码,你可以在github下载该例子

#encoding=utf-8from __future__ import print_function, unicode_literalsimport syssys.path.append("../")import jiebajieba.load_userdict("userdict.txt")# jieba采用延迟加载，"import jieba"不会立即触发词典的加载，一旦有必要才开始加载词典构建trie。如果你想手工初始jieba，也可以手动初始化。示例如下:# import jieba# jieba.initialize() #手动初始化（可选）# 在0.28之前的版本是不能指定主词典的路径的，有了延迟加载机制后，你可以改变主词典的路径:# 注意用户词典为主词典即优先考虑的词典,原词典此时变为非主词典# jieba.set_dictionary(‘data/dict.txt.big‘)import jieba.posseg as psegtest_sent = ("李小福是创新办主任也是云计算方面的专家; 什么是八一双鹿\n""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""「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。")words = jieba.cut(test_sent)print(‘/‘.join(words))print("="*40)result = pseg.cut(test_sent)# pseg.cut 切分,并显示词性# 下面是userdict.txt的内容,如果不加入这个词库,那么在运行结果中,云计算,创新办等词都将无法识别‘‘‘云计算 5李小福 2 nr创新办 3 ieasy_install 3 eng好用 300韩玉赏鉴 3 nz八一双鹿 3 nz台中凱特琳 nzEdu Trust认证 2000‘‘‘

下面这段代码主要来自于jieba的github,你可以在github下载该源码

print(‘=‘*40)print(‘添加自定义词典/调整词典‘)print(‘-‘*40)print(‘/‘.join(jieba.cut(‘如果放到post中将出错。‘, HMM=False)))#如果/放到/post/中将/出错/。# 调整词典使 中将 变为中/将print(jieba.suggest_freq((‘中‘, ‘将‘), True))#494print(‘/‘.join(jieba.cut(‘如果放到post中将出错。‘, HMM=False)))#如果/放到/post/中/将/出错/。print(‘/‘.join(jieba.cut(‘「台中」正确应该不会被切开‘, HMM=False)))#「/台/中/」/正确/应该/不会/被/切开print(jieba.suggest_freq(‘台中‘, True))print(jieba.suggest_freq(‘台中‘, True))#69# 调整词典使 台中 不被分词为台/中print(‘/‘.join(jieba.cut(‘「台中」正确应该不会被切开‘, HMM=False)))#「/台中/」/正确/应该/不会/被/切开

并行计算

下面这段代码主要来自于jieba的github,你可以在github下载该源码

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

import sysimport timesys.path.append("../../")import jiebajieba.enable_parallel() # 关闭并行分词jieba.enable_parallel(4) # 开启并行分词模式，参数为并行进程数 url = sys.argv[1]content = open(url,"rb").read()t1 = time.time()words = "/ ".join(jieba.cut(content))t2 = time.time()tm_cost = t2-t1log_f = open("1.log","wb")log_f.write(words.encode(‘utf-8‘))print(‘speed %s bytes/second‘ % (len(content)/tm_cost))

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。

文章转自：http://blog.csdn.net/fontthrone https://blog.csdn.net/FontThrone/article/details/72782499

Python中文分词 jieba