Python 结巴分词（1）分词

时间：2023-03-09 13:21:07
Python 结巴分词（1）分词

利用结巴分词来进行词频的统计，并输出到文件中。

结巴分词github地址：结巴分词

结巴分词的特点：

  • 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。

  • 支持繁体分词

  • 支持自定义词典
  • MIT 授权协议

算法：

  • 基于前缀词典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

分词参数：

  • ieba.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。

用户词典：

载入词典

  • 开发者可以指定自己自定义的词典，以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力，但是自行添加新词可以保证更高的正确率
  • 用法： jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径
  • 词典格式和 dict.txt 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file_name 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。
  • 词频省略时使用自动计算的能保证分出该词的词频。

  • 调整词典

    • 使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。

    • 使用 suggest_freq(segment, tune=True) 可调节单个词语的词频，使其能（或不能）被分出来。

    • 注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。

用户词典：userdict.dict

云计算 5

李小福 2 nr

创新办 3 i

easy_install 3 eng

好用 300

韩玉赏鉴 3 nz

八一双鹿 3 nz

台中

凱特琳 nz

Edu Trust认证 2000

石墨烯

分词代码：fenci.py

 #encoding=utf-8

 from __future__ import print_function, unicode_literals

 import sys

 sys.path.append("../")

 import jieba

 jieba.load_userdict("userdict.txt")#导入用户自定义词典

 import jieba.posseg as pseg

 # jieba.add_word('石墨烯')#动态添加自定义单词

 jieba.add_word('凱特琳')

 jieba.del_word('自定义词')

 jieba.add_word("易风化")

 test_sent = (

 "磷酸氢二钠在空气中易风化，常温时放置于空气中失去约5个结晶水而形成七水物，加热至100℃时失去全部结晶水而成无水物\n"

 "例如我输入一个带“韩玉赏鉴”的标题，在自定义词库中也增加了此词为N类\n"

 "「台中」正確應該不會被切開。mac上可分出「石墨烯」；此時又可以分出來凱特琳了。"

 )

 words = jieba.cut(test_sent)

 print('/'.join(words))

 print("="*40)

 result = pseg.cut(test_sent)

 for w in result:

     print(w.word, "/", w.flag, ", ", end=' ')#标注词性

 print("\n" + "="*40)

 terms = jieba.cut('easy_install is great')

 print('/'.join(terms))

 terms = jieba.cut('python 的正则表达式是好用的')

 print('/'.join(terms))

 print("="*40)

 # test frequency tune

 testlist = [

 ('今天天气不错', ('今天', '天气')),

 ('如果放到post中将出错。', ('中', '将')),

 ('我们中出了一个叛徒', ('中', '出')),

 ]

 for sent, seg in testlist:

     print('/'.join(jieba.cut(sent, HMM=False)))

     word = ''.join(seg)

     print('%s Before: %s, After: %s' % (word, jieba.get_FREQ(word), jieba.suggest_freq(seg, True)))

     print('/'.join(jieba.cut(sent, HMM=False)))

     print("-"*40)

结果：

Building prefix dict from the default dictionary ...

Loading model from cache c:\users\wangyuguang\appdata\local\temp\jieba.cache

Loading model cost 0.363 seconds.

Prefix dict has been built succesfully.

磷酸氢二钠/在/空气/中/易风化/，/常温/时/放置/于/空气/中/失去/约/5/个/结晶水/而/形成/七水物/，/加热/至/100/℃/时/失去/全部/结晶水/而成/无水/物/

/例如/我/输入/一个/带/“/韩玉赏鉴/”/的/标题/，/在/自定义词/库中/也/增加/了/此/词为/N/类/

/「/台中/」/正確/應該/不會/被/切開/。/mac/上/可/分出/「/石墨烯/」/；/此時/又/可以/分出/來/凱特琳/了/。

========================================

磷酸氢二钠 / nz ,  在 / p ,  空气 / n ,  中 / f ,  易风化 / x ,  ， / x ,  常温 / n ,  时 / n ,  放置 / v ,  于 / p ,  空气 / n ,  中 / f ,  失去 / v ,  约 / d ,  5 / m ,  个 / m ,  结晶水 / n ,  而 / c ,  形成 / v ,  七 / m ,  水物 / n ,  ， / x ,  加热 / v ,  至 / p ,  100 / m ,  ℃ / x ,  时 / n ,  失去 / v ,  全部 / n ,  结晶水 / n ,  而 / c ,  成 / v ,  无水 / v ,  物 / zg ,

 / x ,  例如 / v ,  我 / r ,  输入 / v ,  一个 / m ,  带 / v ,  “ / x ,  韩玉赏鉴 / nz ,  ” / x ,  的 / uj ,  标题 / n ,  ， / x ,  在 / p ,  自定义词 / n ,  库中 / nrt ,  也 / d ,  增加 / v ,  了 / ul ,  此 / r ,  词 / n ,  为 / p ,  N / eng ,  类 / q ,

 / x ,  「 / x ,  台中 / s ,  」 / x ,  正確 / ad ,  應該 / v ,  不 / d ,  會 / v ,  被 / p ,  切開 / ad ,  。 / x ,  mac / eng ,  上 / f ,  可 / v ,  分出 / v ,  「 / x ,  石墨烯 / x ,  」 / x ,  ； / x ,  此時 / c ,  又 / d ,  可以 / c ,  分出 / v ,  來 / zg ,  凱特琳 / nz ,  了 / ul ,  。 / x ,

========================================

easy_install/ /is/ /great

python/ /的/正则表达式/是/好用/的

========================================

今天天气/不错

今天天气 Before: 3, After: 0

今天天气/不错

----------------------------------------

如果/放到/post/中将/出错/。

中将 Before: 763, After: 494

如果/放到/post/中/将/出错/。

----------------------------------------

我们/中/出/了/一个/叛徒

中出 Before: 3, After: 3

我们/中/出/了/一个/叛徒

----------------------------------------

Process finished with exit code 0

相关文章