Python 结巴分词

今天的任务是对txt文本进行分词，有幸了解到"结巴"中文分词，其愿景是做最好的Python中文分词组件。有兴趣的朋友请点这里。

jieba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。

主要采用以下算法：

　　＊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

下面是我做的小尝试，对txt文本进行分词，并对获取的分词进行计数，最后将结果写入result.txt中。代码如下：

# -*- coding: utf-8 -*-
#-----------------------------------------------------
#   功能：将txt文本进行分词处理
#   作者：chenbjin
#   日期：2014-07-14
#   语言：Python 2.7.6
#   环境：linux（ubuntu）
#        jieba（Must be installed）
#   使用：python fenci.py file.txt
#-----------------------------------------------------
import jieba
import sys
reload(sys)
sys.setdefaultencoding('utf8')

def fenci(argv) :
    filename = argv[1]
    f = open(filename,'r+')
    file_list = f.read()
    f.close()

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

    tf={}
    for seg in seg_list :
        #print seg
        seg = ''.join(seg.split())
        if (seg != '' and seg != "\n" and seg != "\n\n") :
            if seg in tf :
                tf[seg] += 1
            else :
                tf[seg] = 1

    f = open("result.txt","w+")
    for item in tf:
        #print item
        f.write(item+"  "+str(tf[item])+"\n")
    f.close()

if __name__ == '__main__' : fenci(sys.argv)

参考资料：

　　1.结巴中文分词：https://github.com/fxsjy/jieba

　　2.Demo of jieba：http://jiebademo.ap01.aws.af.cm/