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：
3. # encoding=utf-8
4. import jieba
6. seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
7. print("Full Mode: " + "/ ".join(seg_list)) # 全模式
9. seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
10. print("Default Mode: " + "/ ".join(seg_list)) # 精确模式
12. seg_list = jieba.cut("他来到了网易杭研大厦") # 默认是精确模式
13. print(", ".join(seg_list))
15. 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
16. 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
3. import sys
4. sys.path.append('../')
6. import jieba
7. import jieba.analyse
8. from optparse import OptionParser
10. USAGE = "usage: python extract_tags.py [file name] -k [top k]"
12. parser = OptionParser(USAGE)
13. parser.add_option("-k", dest="topK")
14. opt, args = parser.parse_args()
16. if len(args) < 1:
17. print(USAGE)
18. sys.exit(1)
19. file_name = args[0]
21. if opt.topK is None:
22. topK = 10
23. else:
24. topK = int(opt.topK)
25. content = open(file_name, 'rb').read()
26. tags = jieba.analyse.extract_tags(content, topK=topK)
27. 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