Python分词模块推荐：jieba中文分词

傷城~ 2022-02-02 04:19 291阅读 0赞

# 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：

1.  精确模式，试图将句子最精确地切开，适合文本分析；
2.  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；
3.  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。

<pre name="code" class="python"># -*- 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

#! /usr/bin/env python2.7
 #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])
 print 
 #----------------------------------
 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],"#",

输出结果：

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