python 分词工具 jieba

jieba知识

全几天看到高手下了个jieba分词快速入门的东西  ，希望关注我博客的人也能看得到

https://github.com/SalutLyndon/hello-world/blob/master/中文自然语言处理基本流

# coding: utf-8

# ###jieba特性介绍

# 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。

# 支持繁体分词。

# 支持自定义词典。

# MIT 授权协议。

# ###分词速度

# 1.5 MB / Second in Full Mode

# 400 KB / Second in Default Mode

# 测试环境: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《围城》.txt

# #一、 第一部分

# ##Part 1. 分词

# jieba.cut 方法接受三个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用 HMM 模型。

# jieba.cut_for_search 方法接受两个参数：需要分词的字符串；是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细。

# 待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8。

# jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator，可以使用 for 循环来获得分词后得到的每一个词语(unicode)，或者用

# jieba.lcut 以及 jieba.lcut_for_search 直接返回 list。

# jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器，可用于同时使用不同词典。jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。

# In[1]:

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

# In[15]:

seg_list = jieba.cut("我来到北京清华大学", cut_all = False)

print("Precise Mode: " + "/".join(seg_list))  #精确模式，默认状态下也是精确模式

# In[16]:

seg_list = jieba.cut("他来到网易杭研大厦。")

print("Default Mode: " + "/".join(seg_list))

# In[14]:

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。")  #搜索引擎模式

print("Search Mode: " + "/".join(seg_list))

# ##Part 2. 添加自定义词典

# ###载入词典

# 开发者可以指定自己自定义的词典，以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力，但是自行添加新词可以保证更高的正确率。

# 用法： jieba.load_userdict(file_name) # file_name 为自定义词典的路径。

# 词典格式和dict.txt一样，一个词占一行；每一行分三部分，一部分为词语，另一部分为词频（可省略），最后为词性（可省略），用空格隔开。

# 词频可省略，使用计算出的能保证分出该词的词频。

# 更改分词器的 tmp_dir 和 cache_file 属性，可指定缓存文件位置，用于受限的文件系统。

# In[5]:

seg_list = jieba.cut("李小福是创新办主任也是云计算方面的专家。")

print("Origin: " + "/".join(seg_list))

# In[6]:

jieba.load_userdict("C:\\Users\\Luo Chen\\Desktop\\lixiaofu.txt")

seg_list = jieba.cut("李小福是创新办主任也是云计算方面的专家。")

print("Revise: " + "/".join(seg_list))

# ###调整词典

# 使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。

# 使用 suggest_freq(segment, tune=True) 可调节单个词语的词频，使其能（或不能）被分出来。

# 注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。

# In[7]:

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

# In[8]:

#利用调节词频使“中”，“将”都能被分出来

jieba.suggest_freq(("中", "将"), tune = True)

# In[9]:

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

# In[16]:

Original = "/".join(jieba.cut("江州市长江大桥参加了长江大桥的通车仪式。", HMM = False))

print "Original: " + Original

# In[21]:

jieba.add_word("江大桥", freq = 20000, tag = None)

print "/".join(jieba.cut("江州市长江大桥参加了长江大桥的通车仪式。"))

# In[20]:

jieba.load_userdict("C:\\Users\\Luo Chen\\Desktop\\shizhang.txt")

print "Revise: " + "/".join(jieba.cut("江州市长江大桥参加了长江大桥的通车仪式。", HMM = False))

# ##Part 3. 词性标注

# jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器，tokenizer 参数可指定内部使用的 jieba.Tokenizer 分词器。jieba.posseg.dt 为默认词性标注分词器。

# 标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法。

# In[22]:

import jieba.posseg as pseg

words = pseg.cut("我爱北京天安门。")

for w in words:

    print("%s %s" %(w.word, w.flag))

# ##Part 4. 关键词提取

# ###基于 TF-IDF 算法的关键词提取

# import jieba.analyse

# jieba.analyse.extract_tags(sentence, topK = 20, withWeight = False, allowPOS = ())

# sentence:待提取的文本。

# topK:返回几个 TF/IDF 权重最大的关键词，默认值为20。

# withWeight:是否一并返回关键词权重值，默认值为False。

# allowPOS:仅包括指定词性的词，默认值为空，即不进行筛选。

# jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件。

# optparse模块OptionParser学习

# optparse是专门在命令行添加选项的一个模块。

# In[2]:

from optparse import OptionParser

MSG_USAGE = "myprog[ -f ][-s ] arg1[,arg2..]"

optParser = OptionParser(MSG_USAGE)

#以上，产生一个OptionParser的物件optParser。传入的值MSG_USAGE可被调用打印命令时显示出来。

optParser.add_option("-f","--file",action = "store",type="string",dest = "fileName")

optParser.add_option("-v","--vison", action="store_false", dest="verbose",default='gggggg',

                     help="make lots of noise [default]")

#调用OptionParser.add_option()添加选项，add_option()参数说明：

#action:存储方式，分为三种store, store_false, store_true

#type:类型

#dest:存储的变量

#default:默认值

#help:帮助信息

fakeArgs = ['-f','file.txt','-v','good luck to you', 'arg2', 'arge']

options, args = optParser.parse_args(fakeArgs)

print options.fileName

print options.verbose

print options

print args

#调用OptionParser.parse_args()剖析并返回一个directory和一个list

#parse_args()说明:

#如果没有传入参数，parse_args会默认将sys.argv[1:]的值作为默认参数。这里我们将fakeArgs模拟输入的值。

#从返回结果中可以看到，

#options为是一个directory,它的内容fakeArgs为“参数/值 ”的键值对。

#args 是一个list，它的内容是fakeargs除去options后，剩余的输入内容。

#options.version和options.fileName都取到与options中的directory的值。

print optParser.print_help()

#输出帮助信息

#optParser.print_help()说明：

#1、最开始的的MSG_USAGE的值:在这个地方显示出来了。

#2、自动添加了-h这个参数。

# In[14]:

import jieba.analyse as anl

f = open("C:\\Users\\Luo Chen\\Desktop\\demo.txt", "r").read()

seg = anl.extract_tags(f, topK = 20, withWeight = True)

for tag, weight in seg:

    print "%s %s" %(tag, weight)

# 关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径。

# jieba.analyse.set_idf_path(file_name) #file_name为自定义语料库的路径

# 如：jieba.analyse.set_idf_path("../extra_dict/idf.txt.big")

# .big文件一般是游戏中的文件，比较常见的用途是装载游戏的音乐、声音等文件。

# 

# 关键词提取所使用停用词（Stop Words）文本语料库可以切换成自定义语料库的路径。

# jieba.analyse.set_stop_words(file_name) #file_name为自定义语料库的路径。

# 如：jieba.analyse.set_stop_words("../extra_dict/stop_words.txt")

# ###基于 TextRank 算法的关键词提取

# 基本思想:

# 将待抽取关键词的文本进行分词；

# 以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图；

# 计算图中节点的PageRank，注意是无向带权图。

# jieba.analyse.textrank(sentence, topK = 20, withWeight = False, allowPOS = ('ns', 'n', 'v', 'nv')) 注意默认过滤词性。

# jieba.analyse.TextRank() 新建自定义TextRank实例。

# In[16]:

s = "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚置业注册资本由7000万元增加到5亿元。吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年，实现营业收入0万元，实现净利润-139.13万元。"

for x, w in jieba.analyse.textrank(s, topK = 5, withWeight = True):

    print("%s %s" % (x, w))

# ##Part 5. 并行分词（多进程分词）

# 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。

# 用法：

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

# jieba.disable_parallel() # 关闭并行分词模式

# 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。

# 注意：并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。

# ##Part 6. Tokenize: 返回词语在原文的起止位置

# 注意：输入参数只接受 unicode

# 两种模式：默认模式、搜索模式。

# ###默认模式

# In[19]:

result = jieba.tokenize(u"永和服装饰品有限公司")

for tk in result:

    print("%s \t start at: %d \t end at: %d" %(tk[0], tk[1], tk[2]))

# ###搜索模式

# 把句子中所有的可以成词的词语都扫描出来并确定位置。

# In[20]:

result = jieba.tokenize(u"永和服装饰品有限公司", mode = "search")

for tk in result:

    print("%s \t start at: %d \t end at: %d" % (tk[0], tk[1], tk[2]))

# ##Part 7. 延迟加载机制

# jieba 采用延迟加载，import jieba 和 jieba.Tokenizer() 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前缀字典。如果你想手工初始 jieba，也可以手动初始化。

# 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:

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

# 也可以下载你所需要的词典，然后覆盖jieba/dict.txt即可。

# #二、 第二部分

# ##Part 1. 词频统计、降序排序

# In[21]:

article = open("C:\\Users\\Luo Chen\\Desktop\\demo_long.txt", "r").read()

words = jieba.cut(article, cut_all = False)

word_freq = {}

for word in words:

    if word in word_freq:

        word_freq[word] += 1

    else:

        word_freq[word] = 1

freq_word = []

for word, freq in word_freq.items():

    freq_word.append((word, freq))

freq_word.sort(key = lambda x: x[1], reverse = True)

max_number = int(raw_input(u"需要前多少位高频词？ "))

for word, freq in freq_word[: max_number]:

    print word, freq

# ##Part 2. 人工去停用词

# 标点符号、虚词、连词不在统计范围内。

# In[22]:

stopwords = []

for word in open("C:\\Users\\Luo Chen\\Desktop\\stop_words.txt", "r"):

    stopwords.append(word.strip())

article = open("C:\\Users\\Luo Chen\\Desktop\\demo_long.txt", "r").read()

words = jieba.cut(article, cut_all = False)

stayed_line = ""

for word in words:

    if word.encode("utf-8") not in stopwords:

        stayed_line += word + " "

print stayed_line

# ##Part 3. 合并同义词

# 将同义词列举出来，按下Tab键分隔，把第一个词作为需要显示的词语，后面的词语作为要替代的同义词，一系列同义词放在一行。

# 这里，“北京”、“首都”、“京城”、“北平城”、“故都”为同义词。

# In[24]:

combine_dict = {}

for line in open("C:\\Users\\Luo Chen\\Desktop\\tongyici.txt", "r"):

    seperate_word = line.strip().split("\t")

    num = len(seperate_word)

    for i in range(1, num):

        combine_dict[seperate_word[i]] = seperate_word[0]

jieba.suggest_freq("北平城", tune = True)

seg_list = jieba.cut("北京是中国的首都，京城的景色非常优美，就像当年的北平城，我爱这故都的一草一木。", cut_all = False)

f = ",".join(seg_list)

result = open("C:\\Users\\Luo Chen\\Desktop\\output.txt", "w")

result.write(f.encode("utf-8"))

result.close()

for line in open("C:\\Users\\Luo Chen\\Desktop\\output.txt", "r"):

    line_1 = line.split(",")

final_sentence = ""

for word in line_1:

    if word in combine_dict:

        word = combine_dict[word]

        final_sentence += word

    else:

        final_sentence += word

print final_sentence

# ##Part 4. 词语提及率

# 主要步骤：分词——过滤停用词（略）——替代同义词——计算词语在文本中出现的概率。

# In[31]:

origin = open("C:\\Users\\Luo Chen\\Desktop\\tijilv.txt", "r").read()

jieba.suggest_freq("晨妈妈", tune = True)

jieba.suggest_freq("大黑牛", tune = True)

jieba.suggest_freq("能力者", tune = True)

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

f = ",".join(seg_list)

output_1 = open("C:\\Users\\Luo Chen\\Desktop\\output_1.txt", "w")

output_1.write(f.encode("utf-8"))

output_1.close()

combine_dict = {}

for w in open("C:\\Users\\Luo Chen\\Desktop\\tongyici.txt", "r"):

    w_1 = w.strip().split("\t")

    num = len(w_1)

    for i in range(0, num):

        combine_dict[w_1[i]] = w_1[0]

seg_list_2 = ""

for i in open("C:\\Users\\Luo Chen\\Desktop\\output_1.txt", "r"):

    i_1 = i.split(",")

    for word in i_1:

        if word in combine_dict:

            word = combine_dict[word]

            seg_list_2 += word

        else:

            seg_list_2 += word

print seg_list_2

# In[35]:

freq_word = {}

seg_list_3 = jieba.cut(seg_list_2, cut_all = False)

for word in seg_list_3:

    if word in freq_word:

        freq_word[word] += 1

    else:

        freq_word[word] = 1

freq_word_1 = []

for word, freq in freq_word.items():

    freq_word_1.append((word, freq))

freq_word_1.sort(key = lambda x: x[1], reverse = True)

for word, freq in freq_word_1:

    print word, freq

total_freq = 0

for i in freq_word_1:

    total_freq += i[1]

for word, freq in freq_word.items():

    freq = float(freq) / float(total_freq)

    print word, freq

# ##Part 5. 按词性提取

# In[36]:

import jieba.posseg as pseg

word = pseg.cut("李晨好帅，又能力超强，是“大黑牛”，也是一个能力者，还是队里贴心的晨妈妈。")

for w in word:

    if w.flag in ["n", "v", "x"]:

        print w.word, w.flag

使用之提取摘要

提取关键字的文章是，小说完美世界的前十章；

我事先把前十章合并到了一个文件中；

然后直接调用关键字函数；

 1 import sys 2 sys.path.append('../') 3  4 import jieba 5 import jieba.analyse 6 from optparse import OptionParser#引入关键词的包 7 from docopt import docopt 8 data_path = "C:\\Users\\wangyuguang\\Desktop\\work_data\\profect_world\\" 9 topK = 1010 withWeight = False11 content = ""12 for i in range(1,2):13     Data_path = data_path + "he"+".txt"14     content ="".join(open(Data_path, 'rb').read())15 # print content16 tags = jieba.analyse.extract_tags(content, topK=topK, withWeight=withWeight)#直接调用17 18 if withWeight is True:19     for tag in tags:20         print("tag: %s\t\t weight: %f" % (tag[0],tag[1]))21 else:22     print(",".join(tags))

关键字结果：

Building prefix dict from the default dictionary ...Loading model from cache c:\users\wangyuguang\appdata\local\temp\jieba.cacheLoading model cost 0.386 seconds.Prefix dict has been built succesfully.小不点,孩子,族长,石云峰,石村,凶禽,青鳞鹰,凶兽,一群,石昊