您的位置:首页 > 编程语言 > Python开发

Python分词模块推荐:jieba中文分词

2015-08-29 18:09 639 查看
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。

<span style="font-size:14px;"><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</span>


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:

<span style="font-size:14px;"># -*- 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</span>


<span style="font-size:14px;">#! /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],"#",</span>


输出结果:
<span style="font-size:14px;">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 </span>
内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: