使用最大逆向法，利用python进行简易中文分词

首先进行分词所需要的基本设置就是“词库”，而网上开源的词库有很多，例如github里面的chinese词库和清华大学开源中文词库，这些都是免费下载开源的。而且下载及其简单，

所以你在网页可以直接下载，若是你已经学过爬虫，也可以进行爬下来。在这里我只下载类清华大学的food词库，这个程序也只能匹配水果食物等的专有名词。

以下是程序

#!/usr/bin/env python#-*- coding:utf-8 -*-#---------------------------------#FILENAME:fenci.py#目的：使用最大逆向匹配， 完成简易分词操作#环境：Ubuntu14 python2.7#FILE:fenci.py#TIME:20170803#---------------------------------import reimport time#对一个字符串进行最大匹配处理，不包括特殊字符处理def segment(str1,content):#str1 需要分词的字符串，content是匹配词库#str1=str1.decode('utf-8')str2=""maxlen=5 #只在最大词长范围处理while(len(str1)):length=int(len(str1))if length>maxlen:length=maxlentmp_str=str1[len(str1)-length:len(str1)]while(length>1 and (re.search(tmp_str,content)==None)):#如果不是词，从右边剪掉一个汉字，剩下部分作为候选词"""length=length-1tmp_str=str1[len(str1)-length:len(str1)]tmp_str=tmp_str+'/'str2=tmp_str+str2str1=str1[0:len(str1)-length]return str2#对一个字符串进行最大匹配处理，包括特殊字符处理def segmentMM(str1,content):str2=""re_pat=re.compile(u'[\u4e00-\u9fa5]+')#只取中文字符tmp_list=re.findall(re_pat,str1.decode('utf-8'))# 开始匹配中文字符，取出以list的形式for i in tmp_list:#这是将取出的string list输出观看print i,else:print '\n'cont_dec=content.decode('utf-8')while(len(tmp_list)):str2=segment(tmp_list.pop(),cont_dec)+str2#tmp_list弹出最后一个元素（string），作为segment参数传入                                                          #执行后消除最后一个元素，tmp-list长度-1str2='  '+str2return str2#以下是main函数部分---------------------if __name__=="__main__":        path='/home/chin/pydic/food.txt'#这是我下载词库txt文件的目录，每个人有所不一样，因此不能照写try:fp=open(path,'r')except IOError as e:print"open error！"else:start=time.time()content=fp.read()string=segmentMM("aa我9木瓜adf*超积电视机苹果然后,?重火龙果asf爱吃苹果asdaf香蕉西瓜哈密瓜",content)print stringfp.close()stop=time.time()print"file is closed!\nTIME:%d sec"%(stop-start)

程序结果：

string=segmentMM("aa我9木瓜adf*超积电视机苹果然后,?重火龙果asf爱吃苹果asdaf香蕉西瓜哈密瓜",content)

我 木瓜 超积电视机苹果然后 重火龙果 爱吃苹果 香蕉西瓜哈密瓜

  我/  木瓜/  超/积/电/视/机/苹果/然/后/  重/火龙果/  爱/吃/苹果/  香蕉/西瓜/哈密瓜/
file is closed!
TIME:0 sec