使用python 的结巴(jieba)库进行中文分词

“结巴”中文分词:做最好的 Python 中文分词组件 "Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module. 功能参数:

  • 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
  • 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 list
  • jieba.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。

安装:

pip install jieba

  1. 例子:
  2. # encoding=utf-8
  3. import jieba
  4. seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
  5. print("Full Mode: " + "/ ".join(seg_list)) # 全模式
  6. seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
  7. print("Default Mode: " + "/ ".join(seg_list)) # 精确模式
  8. seg_list = jieba.cut("他来到了网易杭研大厦") # 默认是精确模式
  9. print(", ".join(seg_list))
  10. 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") # 搜索引擎模式
  11. print(", ".join(seg_list))

输出: 【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学 【精确模式】: 我/ 来到/ 北京/ 清华大学 【新词识别】:他, 来到, 了, 网易, 杭研, 大厦 (此处,“杭研”并没有在词典中,但是也被Viterbi算法识别出来了) 【搜索引擎模式】: 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, 日本, 京都, 大学, 日本京都大学, 深造

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
  • jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例,idf_path 为 IDF 频率文件
  1. vi extract_tags.py
  2. import sys
  3. sys.path.append('../')
  4. import jieba
  5. import jieba.analyse
  6. from optparse import OptionParser
  7. USAGE = "usage: python extract_tags.py [file name] -k [top k]"
  8. parser = OptionParser(USAGE)
  9. parser.add_option("-k", dest="topK")
  10. opt, args = parser.parse_args()
  11. if len(args) < 1:
  12. print(USAGE)
  13. sys.exit(1)
  14. file_name = args[0]
  15. if opt.topK is None:
  16. topK = 10
  17. else:
  18. topK = int(opt.topK)
  19. content = open(file_name, 'rb').read()
  20. tags = jieba.analyse.extract_tags(content, topK=topK)
  21. print(",".join(tags))

运行(需分词的文本test.txt)

  1. python extract_tags.py test.txt -k 20

jieba开源主页:https://github.com/fxsjy/jieba

原文发布于微信公众号 - 大数据挖掘DT数据分析(datadw)

原文发表时间:2016-10-26

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据和云

性能优化:认识B*Tree 索引分裂(二)

黄玮(Fuyuncat) 黄玮(Fuyuncat),资深 Oracle DBA,从事Oracle数据库管理、维护与开发工作十余年,有丰富的大型数据库设计、开发...

35750
来自专栏程序猿

【学生管理系统C语言】没有用数据库,正在学习C语言的看看吧

#include<stdio.h> #include<string.h> #include<stdlib.h> #include<math.h> # defin...

512110
来自专栏落影的专栏

OpenGL ES实践教程(九)OpenGL与视频混合

前言 前面的实践教程: OpenGL ES实践教程1-Demo01-AVPlayer OpenGL ES实践教程2-Demo02-摄像头采集数据和渲染 O...

59550
来自专栏牛客网

cvte面经

一面:现场面去的很早明显焦虑并问不到面经(50分钟) (1)自我介绍这里介绍完提到自己熟悉的知识,项目 (2)项目介绍项目中遇到的难点如何解决的 (3)集合框架...

39470
来自专栏海天一树

结巴中文分词介绍

Python中分分词工具很多,包括盘古分词、Yaha分词、Jieba分词、清华THULAC等。它们的基本用法都大同小异,这里先了解一下结巴分词。

22240
来自专栏小樱的经验随笔

1022: [SHOI2008]小约翰的游戏John【Nim博弈,新生必做的水题】

1022: [SHOI2008]小约翰的游戏John Time Limit: 1 Sec  Memory Limit: 162 MB Submit: 2709 ...

33180
来自专栏跟着阿笨一起玩NET

求本年、本月、本周等数据

本文转载:http://www.cnblogs.com/ethan-qi/archive/2013/05/14/3077371.html

7710
来自专栏斑斓

MongoDB的数据建模

MongoDB是一种面向Document的NoSQL数据库,如果我们还是按照RDB的方式来思考MongoDB的数据建模,则不能有效地利用MongoDB的优势;然...

35660
来自专栏点滴积累

ANSJ中文分词使用方法

一、前言 之前做solr索引的时候就使用了ANSJ进行中文分词,用着挺好,然而当时没有写博客记录的习惯。最近又尝试了好几种JAVA下的中文分词库,个人感觉还是A...

47490
来自专栏GopherCoder

专栏:009:高评分电影都在这里

17820

扫码关注云+社区

领取腾讯云代金券