Python中的结巴分词初探
来源:互联网 发布:windows小米平板刷安卓 编辑:程序博客网 时间:2024/05/02 00:11
python中的结巴分词有如下三种模式:
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。
主要功能
- 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。
2.代码示例:
import jiebaseg_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)) # 精确模式seg_list = jieba.cut("他来到了网易杭研大厦") # 默认是精确模式print (", ".join(seg_list))seg_list = jieba.cut_for_search("我来到北京清华大学") # 搜索引擎模式print (", ".join(seg_list))
实验结果:
Full Mode: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学Prefix dict has been built succesfully.Default Mode: 我/ 来到/ 北京/ 清华大学他, 来到, 了, 网易, 杭研, 大厦我, 来到, 北京, 清华, 华大, 大学, 清华大学
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 为文件类对象或自定义词典的路径
词典格式和 dict.txt 一样,一个词占一行;每一行分三部分:词语、词频(可省略)、词性(可省略),用空格隔开,顺序不可颠倒。file_name 若为路径或二进制方式打开的文件,则文件必须为 UTF-8 编码。
词频省略时使用自动计算的能保证分出该词的词频。
- Python中的结巴分词初探
- python 结巴分词学习初探
- 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中文分词:结巴分词
- python 结巴分词(jieba)学习
- python 结巴分词(jieba)学习
- python 结巴分词(jieba)学习
- python 结巴分词(jieba)学习
- python 结巴分词(jieba)学习
- python 结巴分词(jieba)学习
- python 结巴分词(jieba)学习
- python 结巴分词(jieba)学习
- python 结巴分词(jieba)学习
- 结巴分词快速入门Python
- java线程同步volatile与synchronized(三)
- android无Context的情况下获取system service
- 学习OpenCV时 ,添加:#include<opencv2/core/core.hpp>等头文件出现无法编译的错误
- 手机页面点击出现了阴影部分,而pc端没有
- iOS网络-NSURLSession/AFNetworking发送HTTPS网络请求
- Python中的结巴分词初探
- IDEA开发activiti时出现乱码问题
- 无监督学习-k均值聚类算法模板
- [译] 关于 Git 你需要知道的一些事情
- Linux权限基础
- Mbed在自己的stm32系列平台移植适配(三)
- jquery获取索引
- CCF之出现次数最多的数(java)
- JavaEE导入项目的套路