“结巴”中文分词：做最好的 Python 中文分词组件

由于中文文本中的单词不像英文那样靠空格来分割，因此中文存在一个重要的分词问题，像昨天我发表的文本词频统计就是统计的英文短文，那如果统计中文文本中单词出现次数要怎么统计呢，首先就要利用中文分词库来将文本进行分割才能统计次数。“jieba”是Python中的一个重要的第三方中文分词库，能将一段中文文本分割成单词的序列。

结巴支持三种分词模式：

精确模式，试图将句子最精确地切开，适合文本分析，调用形式是jieba.lcut(string)；

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，冗余最大，调用形式是jieba.lcut(string,cut_all=True)；

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,jieba.lcut_for_search(string)。

三种模式下返回的都是列表类型。

全模式下返回的结果是：

可以看到“共同进步”被分割成“共同”、“共同进步”和“进步”三个词；

若是使用精准模式可以看出“共同进步”就被归类到了一个词中：

另外可以看出我的工作号名“每日一Python”被分割成了三个词，因为分词词典中不存在“每日一Python”这个词，所以可以利用add_word(word)来向分词词典中增加一个新词：

以上就将文本分词成功了，若是想上昨天文章上那样进行词频统计，就可以在此基础上操作了：