【python】结巴分词、PKUSeg分词之间的区别问题及词性标注

拼搏现实的明天。 2022-03-08 11:18 619阅读 0赞

### 文章目录 ###

*  【python】结巴分词与PKUSeg分词之间的区别
 *   *  前言
     *  一、测试文本内容样式
     *  二、 分词
     *   *  2.1 jieba分词
         *   *  2.1.1 源码
             *  2.1.2 结果
         *  2.2 PKUSeg分词
         *   *  2.2.1 源码
             *  2.2.2 结果
     *  三、词性标注
     *   *  3.1 结巴词性标注
         *   *  3.1.1 源码
             *  3.1.2 结果
         *  3.2 hanlp词性标注
         *   *  3.2.1 源码
             *  3.2.2 结果
     *  四、说明
     *   *  4.1 pkuseg模型下载

# 【python】结巴分词与PKUSeg分词之间的区别 #

## 前言 ##

测试文本：现代汉语字典

## 一、测试文本内容样式 ##

![在这里插入图片描述][20190318122030590.gif]

## 二、 分词 ##

### 2.1 jieba分词 ###

#### 2.1.1 源码 ####

""" author:jjk datetime:2019/3/13 coding:utf-8 project name:Pycharm_workstation Program function: """
    # 编码：utf-8
    # 精确模式，试图将句子最精确地切开，适合文本分析
    
    import jieba # 导入结巴分词库
    import sys
    
    # 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
    
    # 文件位置
    # file = 'ceshi.txt'
    
    #if __name__ == '__main__':
    param = sys.argv # 获取控制台参数
    if len(param) == 2:
        with open(sys.argv[1], 'r', encoding='utf-8') as fp:
            for line in fp.readlines():  # 全部加载
                word = jieba.cut(line, cut_all=False)  # 精确模式
                print('/ '.join(word))  # 打印输出
                # print(word)
    else:
        print('参数输入不合规范')
        sys.exit()

#### 2.1.2 结果 ####

![在这里插入图片描述][20190318124001690.gif]

### 2.2 PKUSeg分词 ###

#### 2.2.1 源码 ####

""" author:jjk datetime:2019/3/18 coding:utf-8 project name:Pycharm_workstation Program function: """
    
    # !usr/bin/env python
    # encoding:utf-8
    
    
    ''' 功能： 基于北大开源的分词工具 pkuseg 进行分词实践 https://github.com/yishuihanhan/pkuseg-python 参数说明 pkuseg.pkuseg(model_name='msra', user_dict='safe_lexicon') model_name 模型路径。默认是'msra'表示我们预训练好的模型(仅对pip下载的用户)。用户可以填自己下载或训练的模型所在的路径如model_name='./models'。 user_dict 设置用户词典。默认为'safe_lexicon'表示我们提供的一个中文词典(仅pip)。用户可以传入一个包含若干自定义单词的迭代器。 pkuseg.test(readFile, outputFile, model_name='msra', user_dict='safe_lexicon', nthread=10) readFile 输入文件路径 outputFile 输出文件路径 model_name 同pkuseg.pkuseg user_dict 同pkuseg.pkuseg nthread 测试时开的进程数 pkuseg.train(trainFile, testFile, savedir, nthread=10) trainFile 训练文件路径 testFile 测试文件路径 savedir 训练模型的保存路径 nthread 训练时开的进程数 '''
    
    import pkuseg
    import sys
    
    
    def testFunc():
        ''' 分词 '''
    
        seg = pkuseg.pkuseg(model_name='ctb8')  # 假设用户已经下载好了ctb8的模型并放在了'./ctb8'目录下，通过设置model_name加载该模型
        with open(sys.argv[1],'r', encoding='utf-8') as fp:
            for line in fp.readlines(): # 全部加载
                words = seg.cut(line)
                print('/ '.join(words))
                #print(words)
                #print('=' * 60)
    
    
    if __name__ == '__main__':
        param = sys.argv # 获取参数的个数
        if len(param) == 2:
            testFunc()
        else:
            print('参数输入不合规范')
            sys.exit()

#### 2.2.2 结果 ####

![在这里插入图片描述][20190318135145307.gif]

## 三、词性标注 ##

### 3.1 结巴词性标注 ###

#### 3.1.1 源码 ####

#!/usr/bin/env python
    # -*- encoding: utf-8 -*-
    ''' @File : ceshi.py @Time : 2019/03/22 14:33:05 @Author : jjk @Version : 1.0 @Contact : None @License : (C)Copyright 2019-2020, Liugroup-NLPR-CASIA @Desc : None '''
    
    # here put the import lib
    
    
    import jieba
    import pkuseg
    import jieba.posseg as pseg
    
    
    # line = "我爱北京天安门"
    # pseglist = pseg.cut(line)
    # for j in pseglist:
    # #也可以直接print出来看
    # #wordtmp = j.word
    # # flagtmp = j.flag
    # print('%s,%s' % (j.word,j.flag))
    
    
    # 正文
    def jiebaCiXingBiaoZhu():
    
        fp = open('ceshi.txt', 'r', encoding='utf-8')  # 打开文件
        for line in fp.readlines(): # 读取全文本
            line = line.strip('\n')
            # print(line)
            words = pseg.cut(line)
            for j in words:
                print('%s,%s' % (j.word, j.flag))
    
        fp.close()
    
    
    if __name__ == '__main__':
        jiebaCiXingBiaoZhu()

#### 3.1.2 结果 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0ppYWppa2FuZ19qams_size_16_color_FFFFFF_t_70]

### 3.2 hanlp词性标注 ###

#### 3.2.1 源码 ####

""" author:jjk datetime:2019/3/19 coding:utf-8 project name:Pycharm_workstation Program function: 词性标注 """
    
    import jpype
    from jpype import *
    from pyhanlp import *
    import jieba.posseg as pseg
    import pkuseg
    
    def testFunc():
        ''' 分词 '''
        # CRF 词法分析器
        CRFLexicalAnalyzer = JClass("com.hankcs.hanlp.model.crf.CRFLexicalAnalyzer")
        analyzer = CRFLexicalAnalyzer()
    
        seg = pkuseg.pkuseg(model_name='ctb8')  # 假设用户已经下载好了ctb8的模型并放在了'./ctb8'目录下，通过设置model_name加载该模型
        with open(sys.argv[1], 'r', encoding='utf-8') as fp:
            for line in fp.readlines():  # 全部加载
                words = seg.cut(line)
                # print('/ '.join(words))
                # print(words)
                # print('=' * 60)
                for sentence in words:
                    print(analyzer.analyze(sentence))
    
    if __name__ == '__main__':
        param = sys.argv  # 获取参数的个数
        if len(param) == 2:
            testFunc()
        else:
            print('参数输入不合规范')
            sys.exit()

#### 3.2.2 结果 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0ppYWppa2FuZ19qams_size_16_color_FFFFFF_t_70 1]

## 四、说明 ##

### 4.1 pkuseg模型下载 ###

[http://www.dataguru.cn/article-14485-1.html][http_www.dataguru.cn_article-14485-1.html]

[20190318122030590.gif]: /images/20220308/dab1b35469514dfabcdbbfbb483ea660.png
[20190318124001690.gif]: /images/20220308/45a4f7c3ac86479fb42585276fc3047a.png
[20190318135145307.gif]: /images/20220308/c871924c85984d04a61709c9466a4a20.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0ppYWppa2FuZ19qams_size_16_color_FFFFFF_t_70]: /images/20220308/271002eb2cdd46558da8b224281018a6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0ppYWppa2FuZ19qams_size_16_color_FFFFFF_t_70 1]: /images/20220308/9416033adbc24b4085fa687d9674bafe.png
[http_www.dataguru.cn_article-14485-1.html]: http://www.dataguru.cn/article-14485-1.html