“结巴”分词:做最好的Python分词组件
来源:互联网 发布:推广必备软件 编辑:程序博客网 时间:2024/04/23 16:33
中文分词是中文文本处理的一个基础性工作,然而长久以来,在Python编程领域,一直缺少高准确率、高效率的分词组件。结巴分词正是为了满足这一需求。
在线演示:http://209.222.69.242:9000/
特性:
支持两种分词模式:
输出:
性能:
在线演示:http://209.222.69.242:9000/
特性:
支持两种分词模式:
- 默认模式,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,适合搜索引擎。
- 全自动安装:easy_install jieba
- 半自动安装:先下载http://pypi.python.org/pypi/jieba/ ,解压后运行python setup.py install
- 手动安装:将jieba目录放置于当前目录或者site-packages目录,通过import jieba 来引用 (第一次import时需要构建Trie树,需要几秒时间)
- 基于Trie树结构实现高效的词图扫描,生成句子中汉字构成的有向无环图(DAG)
- 采用了记忆化搜索实现最大概率路径的计算, 找出基于词频的最大切分组合
- 对于未登录词,采用了基于汉字位置概率的模型,使用了Viterbi算法
- 组件只提供jieba.cut 方法用于分词
- cut方法接受两个输入参数: 1) 第一个参数为需要分词的字符串
2) cut_all参数用来控制分词模式 - 待分词的字符串可以是gbk字符串、utf-8字符串或者unicode
- jieba.cut返回的结构是一个可迭代的generator,可以使用for循环来获得分词后得到的每一个词语(unicode),也可以用list(jieba.cut(...))转化为list
- #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) #默认模式
- seg_list = jieba.cut("他来到了网易杭研大厦")
- print ", ".join(seg_list)
输出:
- Full Mode: 我/ 来/ 来到/ 到/ 北/ 北京/ 京/ 清/ 清华/ 清华大学/ 华/ 华大/ 大/ 大学/ 学
- Default Mode: 我/ 来到/ 北京/ 清华大学
- 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)
性能:
- 1.5 MB / Second in Full Mode
- 350 KB / Second in Default Mode
- Test Env: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz;《围城》.txt
- “结巴”分词:做最好的Python分词组件
- “结巴”分词:做最好的Python分词组件
- “结巴”分词:做最好的Python分词组件
- jieba “结巴”中文分词:做最好的 Python 中文分词组件
- Python分词:结巴分词的安装使用
- python中文分词:结巴分词
- python结巴分词
- python 结巴分词
- Python--结巴分词
- python结巴分词
- Python---结巴分词介绍
- python 结巴分词的具体应用
- python结巴分词器的使用说明
- 搜索引擎–Python下的分词插件 jieba 结巴分词
- Python分词模块推荐:结巴中文分词
- Python分词模块推荐:结巴中文分词
- python中文分词工具:结巴分词jieba
- Python利用结巴分词进行中文分词
- 找到被注释的方法
- 在Tomcat下配置连接池(oracle数据库)
- 为什么使用C++(1)
- CSS的display小记
- 第十一次试验任务
- “结巴”分词:做最好的Python分词组件
- Struts 2.x 实现防止表单重复提交
- uva 536Tree Recovery
- DIV CSS display (block none inline)属性的用法教程
- 10130 - SuperSale
- Oracle Error 查看网站
- display:inline、block、inline-block的区别
- js 正则总结
- apktool+dex2jar+xjad反编译APK文件