jieba分词过程

jieba分词最重要的就是字典，我们一般用jieba的话是用的它通用的字典，这样在特定的环境中无法分成我们想要的效果，我们需要根据我们自己的生产环境自己添加我们的字典，然后下载jieba源码进行更改，里面分词用了TFIDF和Textrank算法来求关键词，如果求关键词时，在idf.txt文件中没有这个词的权重，那么就取我们求的所有关键词权重的平均。

更改字典表代码如下：

        areajieba.initialize(dictjieba.area_dict) # 定义jieba默认的字典，这里我们定义了我们特定环境下的字典，如果不定义，则为它原来自己的字典
        areajieba.load_userdict(dictjieba.area_user_dict) # 定义用户自己特有的字典，  茂名市 10000 area 'area'为词性

        from areajieba.analyse import extract_tags, set_stop_words
        set_stop_words(dictjieba.area_stop) # 定义用户自定的停用词表

1. 加载字典, 生成trie树，以Linux系统为例，在加载字典的时候会生成一个cache文件，因为在现在的环境中，用了两个jieba分词，一个是地域的，一个是关键词jieba，如果不更改相关配置，会造成文件名相同，无法同时使用。

2. 给定待分词的句子, 使用正则获取连续的 中文字符和英文字符, 切分成 短语列表, 对每个短语使用DAG(查字典)和动态规划，得到最大概率路径, 对DAG中那些没有在字典中查到的字, 组合成一个新的片段短语, 使用HMM模型进行分词, 也就是作者说的识别新词, 即识别字典外的新词。

3. 使用python的yield 语法生成一个词语生成器, 逐词语返回. 当然, 我认为直接返回list, 效果也差不到哪里去。