Python中文分词 jieba

三种分词模式与一个参数

以下代码主要来自于jieba的github,你可以在github下载该源码

import jieba

seg_list = jieba.cut("我来到北京清华大学", cut_all=True, HMM=False)  #jieba.cut返回的是一个生成器，而用jieba.lcut会直接返回list

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, HMM=True)

print("Default Mode: " + "/ ".join(seg_list))  # 默认模式

seg_list = jieba.cut("他来到了网易杭研大厦", HMM=False)

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", HMM=False)  # 搜索引擎模式

print(", ".join(seg_list))

# jieba.cut的默认参数只有三个,jieba源码如下

# cut(self, sentence, cut_all=False, HMM=True)

# 分别为:输入文本 是否为全模式分词 与是否开启HMM进行中文分词

关键词提取

from os import path

import jieba.analyse as analyse

d = path.dirname(__file__)

text_path = 'txt/lz.txt' #设置要分析的文本路径

text = open(path.join(d, text_path)).read()

for key in analyse.extract_tags(text,50, withWeight=False):

# 使用jieba.analyse.extract_tags()参数提取关键字,默认参数为50

    print key.encode('utf-8')

    # 设置输出编码为utf-8不然在因为win下控制台默认中文字符集为gbk,所以会出现乱码

    # 当withWeight=True时,将会返回number类型的一个权重值(TF-IDF)

运行结果如图所示,但是同样的我们也发现了一些问题,比如:
问题一:
分词错误,在运行结果中中”路明非”(龙族男主)被分成了”路明”和”明非”啷个中文词语,这是因为jieba的词库中并不含有该词的原因,同样的原因以及jieba词库比较老,因而在许多文本分词时都会产生这种情况,而这个问题我们将在第五个模块”三种可以让分词更准确的方法”解决
问题二:
出现非实意词语,无论在哪种语言中,都会存在大量的非实意单词,这一类词云我们需要在进行中文分词时进行去除停用词,这个问题将在下一个模块中解决

中文歧义测试与去除停用词

本段代码主要来自于《机器学习实践指南（第二版））》，其作者为麦好，ps：这是一本好书

import jieba

TestStr = "2010年底部队友谊篮球赛结束"

# 因为在汉语中没有空格进行词语的分隔，所以经常会出现中文歧义，比如年底-底部-部队-队友

# jieba 默认启用了HMM（隐马尔科夫模型）进行中文分词，实际效果不错

seg_list = jieba.cut(TestStr, cut_all=True)

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

seg_list = jieba.cut(TestStr, cut_all=False)

print "Default Mode:", "/ ".join(seg_list) # 默认模式

# 在默认模式下有对中文歧义有较好的分类方式

seg_list = jieba.cut_for_search(TestStr) # 搜索引擎模式

print "cut for Search","/".join(seg_list)

去除文本中的停用词

import sys

import jieba

from os import path

d = path.dirname(__file__)

stopwords_path = 'stopwords\stopwords1893.txt' # 停用词词表

text_path = 'txt/lz.txt' #设置要分析的文本路径

text = open(path.join(d, text_path)).read()

def jiebaclearText(text):

    mywordlist = []

    seg_list = jieba.cut(text, cut_all=False)

    liststr="/ ".join(seg_list)

    f_stop = open(stopwords_path)

    try:

        f_stop_text = f_stop.read( )

        f_stop_text=unicode(f_stop_text,'utf-8')

    finally:

        f_stop.close( )

    f_stop_seg_list=f_stop_text.split('\n')

    for myword in liststr.split('/'):

        if not(myword.strip() in f_stop_seg_list) and len(myword.strip())>1:

            mywordlist.append(myword)

    return ''.join(mywordlist)

text1 = jiebaclearText(text)

print text1

三种可以让分词更准确的方法

方案一，在jieba中添加中文词语：
这种方法可以有效的解决之前龙族男主”路明非”被分为”路明”和”明非”两个词的情况

#这个只需要在源代码中加入一个语句即可

import sys

import jieba

from os import path

d = path.dirname(__file__)

stopwords_path = 'stopwords\stopwords1893.txt' # 停用词词表

jieba.add_word('路明非')

# 添加的自定义中文语句的代码在这里

# 添加的自定义中文语句的代码在这里

# 添加的自定义中文语句的代码在这里

text_path = 'txt/lz.txt' #设置要分析的文本路径

text = open(path.join(d, text_path)).read()

def jiebaclearText(text):

    mywordlist = []

    seg_list = jieba.cut(text, cut_all=False)

    liststr="/ ".join(seg_list)

    f_stop = open(stopwords_path)

    try:

        f_stop_text = f_stop.read( )

        f_stop_text=unicode(f_stop_text,'utf-8')

    finally:

        f_stop.close( )

    f_stop_seg_list=f_stop_text.split('\n')

    for myword in liststr.split('/'):

        if not(myword.strip() in f_stop_seg_list) and len(myword.strip())>1:

            mywordlist.append(myword)

    return ''.join(mywordlist)

text1 = jiebaclearText(text)

print text1

方案二,添加自定义词库:
下面的代码主要来自于jieba的github源码,你可以在github下载该例子

#encoding=utf-8

from __future__ import print_function, unicode_literals

import sys

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

import jieba

jieba.load_userdict("userdict.txt")

# jieba采用延迟加载，"import jieba"不会立即触发词典的加载，一旦有必要才开始加载词典构建trie。如果你想手工初始jieba，也可以手动初始化。示例如下:

# import jieba

# jieba.initialize() #手动初始化（可选）

# 在0.28之前的版本是不能指定主词典的路径的，有了延迟加载机制后，你可以改变主词典的路径:

# 注意用户词典为主词典即优先考虑的词典,原词典此时变为非主词典

# jieba.set_dictionary('data/dict.txt.big')

import jieba.posseg as pseg

test_sent = (

"李小福是创新办主任也是云计算方面的专家; 什么是八一双鹿\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)

# pseg.cut 切分,并显示词性

# 下面是userdict.txt的内容,如果不加入这个词库,那么在运行结果中,云计算,创新办等词都将无法识别

'''

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

'''

下面这段代码主要来自于jieba的github,你可以在github下载该源码

print('='*40)

print('添加自定义词典/调整词典')

print('-'*40)

print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))

#如果/放到/post/中将/出错/。

# 调整词典使 中将 变为中/将

print(jieba.suggest_freq(('中', '将'), True))

#

print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))

#如果/放到/post/中/将/出错/。

print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))

#「/台/中/」/正确/应该/不会/被/切开

print(jieba.suggest_freq('台中', True))

print(jieba.suggest_freq('台中', True))

#

# 调整词典使 台中 不被分词为台/中

print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))

#「/台中/」/正确/应该/不会/被/切开

并行计算

下面这段代码主要来自于jieba的github,你可以在github下载该源码

原理：将目标文本按行分隔后，把各行文本分配到多个python进程并行分词，然后归并结果，从而获得分词速度的可观提升

基于python自带的multiprocessing模块，目前暂不支持windows

import sys

import time

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

import jieba

jieba.enable_parallel() # 关闭并行分词

jieba.enable_parallel(4) # 开启并行分词模式，参数为并行进程数 

url = sys.argv[1]

content = open(url,"rb").read()

t1 = time.time()

words = "/ ".join(jieba.cut(content))

t2 = time.time()

tm_cost = t2-t1

log_f = open("1.log","wb")

log_f.write(words.encode('utf-8'))

print('speed %s bytes/second' % (len(content)/tm_cost))

实验结果：在4核3.4GHz Linux机器上，对金庸全集进行精确分词，获得了1MB/s的速度，是单进程版的3.3倍。

文章转自：http://blog.csdn.net/fontthrone https://blog.csdn.net/FontThrone/article/details/72782499