使用python 的结巴(jieba)库进行中文分词

jieba
“结巴”中文分词：做最好的 Python 中文分词组件
"Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module.

功能参数：
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
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。

安装：

pip install jieba

[python] view
plain copy

 





例子：  

  

# encoding=utf-8  

import jieba  

  

seg_list = jieba.cut("我来到北京清华大学", cut_all=True)  

print("Full Mode: " + "/ ".join(seg_list))  # 全模式  

  

seg_list = jieba.cut("我来到北京清华大学", cut_all=False)  

print("Default Mode: " + "/ ".join(seg_list))  # 精确模式  

  

seg_list = jieba.cut("他来到了网易杭研大厦")  # 默认是精确模式  

print(", ".join(seg_list))  

  

seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造")  # 搜索引擎模式  

print(", ".join(seg_list))  

输出:

【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
【精确模式】: 我/ 来到/ 北京/ 清华大学
【新词识别】：他, 来到, 了, 网易, 杭研, 大厦    (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)
【搜索引擎模式】： 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造

关键词提取

基于 TF-IDF 算法的关键词抽取

import jieba.analyse

    jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
    sentence 为待提取的文本
    topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20
    withWeight 为是否一并返回关键词权重值，默认值为 False
    allowPOS 仅包括指定词性的词，默认值为空，即不筛选
    jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件

[python] view
plain copy

 




vi extract_tags.py  

  

import sys  

sys.path.append('../')  

  

import jieba  

import jieba.analyse  

from optparse import OptionParser  

  

USAGE = "usage:  python extract_tags.py [file name] -k [top k]"  

  

parser = OptionParser(USAGE)  

parser.add_option("-k", dest="topK")  

opt, args = parser.parse_args()  

  

if len(args) < 1:  

    print(USAGE)  

    sys.exit(1)  

file_name = args[0]  

  

if opt.topK is None:  

    topK = 10  

else:  

    topK = int(opt.topK)  

content = open(file_name, 'rb').read()  

tags = jieba.analyse.extract_tags(content, topK=topK)  

print(",".join(tags))  

运行（需分词的文本test.txt）

[python] view
plain copy

 





python extract_tags.py test.txt -k 20  

jieba开源主页：https://github.com/fxsjy/jieba