首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Python分词模块推荐:jieba中文分词

Python分词模块推荐:jieba中文分词

作者头像
周小董
发布2019-03-25 15:03:29
1.5K0
发布2019-03-25 15:03:29
举报
文章被收录于专栏:python前行者python前行者

一、结巴中文分词采用的算法

基于Trie树结构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

二、结巴中文分词支持的分词模式

目前结巴分词支持三种分词模式:

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。

# -*- coding:utf-8 -*-  
import jieba  

text = '我来到北京清华大学'  
default_mode =jieba.cut(text)  
full_mode = jieba.cut(text,cut_all=True)  
search_mode = jieba.cut_for_search(text)  

print "精确模式:","/".join(default_mode)  
print "全模式:","/".join(full_mode)  
print "搜索引擎模式:","/".join(search_mode)  

精确模式: 我/来到/北京/清华大学  
全模式: 我/来到/北京/清华/清华大学/华大/大学  
搜索引擎模式: 我/来到/北京/清华/华大/大学/清华大学 

上述代码解释:

jieba.cut方法接受两个输入参数: 1) 第一个参数为需要分词的字符串 2)cut_all参数用来控制是否采用全模式,默认不采用。

jieba.cut_for_search方法接受一个参数:需要分词的字符串,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

注意:待分词的字符串可以是gbk字符串、utf-8字符串或者unicode

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),也可以用list(jieba.cut(…))转化为list

三、结巴中文分词的其他功能

1、添加或管理自定义词典 结巴的所有字典内容存放在dict.txt,你可以不断的完善dict.txt中的内容。 2、关键词抽取 通过计算分词后的关键词的TF/IDF权重,来抽取重点关键词。 3.词性标注 对一句话进行切分后,对每个词进行词性标注,是名词还是动词 具体示例:

# -*- coding:utf-8 -*-  
import jieba.analyse  

text = "结巴中文分词模块是一个非常好的Python分词组件"  

tags = jieba.analyse.extract_tags(text,2)  

print "关键词抽取:","/".join(tags)  

关键词抽取: 分词/Python  
#coding:utf-8  
import jieba  
import jieba.posseg  

print "Full Mode:","/".join(jieba.cut('始游泳'))  
print "Full Mode:","/".join(jieba.cut('过郭美美'))  

s=["我勒个去","费打电话","响全世界","线情人"]  
for i in s:  
    pos=[]  
    seg=jieba.posseg.cut(i)  
    for j in seg:  
        print j.word,'/',j.flag,'#',  
        pos.append([j.word,j.flag])   
#----------------------------------  
string="当我输给青雉的时候就在想,在以后的航海中再遇到像他那么强的对手的时候"  
seg=jieba.posseg.cut(string)  
pos=[]  
for i in seg:  
    pos.append([i.word,i.flag])  
for i in pos:  
    print i[0],'/',i[1],"#",
Full Mode:Building prefix dict from E:\Python27\lib\site-packages\jieba\dict.txt ...  
Loading model from cache c:\users\shifeng\appdata\local\temp\jieba.cache  
Loading model cost 0.941999912262 seconds.  
Prefix dict has been built succesfully.  
 始/游泳  
Full Mode: 过/郭美美  
我 / r # 勒 / v # 个 / q # 去 / v #  
费 / v # 打电话 / l #  
响 / zg # 全世界 / n #  
线 / n # 情人 / n #  
当 / p # 我 / r # 输给 / v # 青雉 / n # 的 / uj # 时候 / n # 就 / d # 在 / p # 想 / v # , / x # 在 / p # 以后 / f # 的 / uj # 航海 / n # 中 / f # 再 / d # 遇到 / v # 像 / v # 他 / r # 那么 / r # 强 / a # 的 / uj # 对手 / v # 的 / uj # 时候 / n #  

参考:https://github.com/fxsjy/jieba

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2018年06月30日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 一、结巴中文分词采用的算法
  • 二、结巴中文分词支持的分词模式
  • 三、结巴中文分词的其他功能
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档