jieba分词支持关键词带空格和特殊字符
来源:互联网 发布:影视后期剪辑软件 编辑:程序博客网 时间:2024/06/05 19:21
在默认情况下,当关键词中带有空格或特殊字符,如World Economic Forum,用jieba分词,会将该词分成三个词:World,Economic,Forum。
#默认jieba:import jiebajieba.load_userdict("dict/userDict")str1="People's Republic of China is the only legitimate government in China."str2="World Economic Forum"str3="Edu Trust认证"for w in jieba.cut(str2): print w+" ",#People ' s Republic of China is the only legitimate government in China . #World Economic Forum#Edu Trust 认证
中英文中存在大量这样的专有名词。这种方式有时并不符合我们的需求。我们可以通过改jieba包init.py中几个正则表达式来解决这个问题。用户词典中词词性用@@分隔。
1. 搜索
re_han_default = re.compile(“([\u4E00-\u9FD5a-zA-Z0-9+#&._]+)”, re.U)
改成
re_han_default = re.compile(“(.+)”, re.U)
2. 搜索
re_userdict = re.compile(‘^(.+?)( [0-9]+)?( [a-z]+)?$’, re.U)
改成
re_userdict = re.compile(‘^(.+?)(\u0040\u0040[0-9]+)?(\u0040\u0040[a-z]+)?$’, re.U)
3. 搜索
word, freq = line.split(’ ‘)[:2]
改成
word, freq = line.split(‘\u0040\u0040’)[:2]
4.补充:若用全模式继续改。
搜索
re_han_cut_all = re.compile(“([\u4E00-\u9FD5]+)”, re.U)
改成
re_han_cut_all = re.compile(“(.+)”, re.U)
#修改后测试userDict:中华人民共和国@@nPeople's Republic of China@@nWorld Economic Forum@@n世界经济论坛@@n结果:People's Republic of China is the only legitimate government in China .World Economic ForumEdu Trust认证
支持英文专有名词的jieba init.py
- jieba分词支持关键词带空格和特殊字符
- jieba结巴分词--关键词抽取
- jieba分词、关键词提取、词性标注
- 验证空格和特殊字符
- 去除字符串首尾空格和特殊字符
- jieba结巴分词--关键词抽取(核心词抽取)
- jieba分词/载入词典/抽取关键词/标注词性
- jieba分词
- jieba分词
- jieba分词
- jieba分词
- jieba分词
- jieba分词
- jieba分词
- jieba分词
- jieba分词
- jieba分词
- jieba分词
- c++primer读书笔记(6)
- Linux学习之:tmpfs简介及增加方式
- 【CodeForces 777D】Cloud of Hashtags (模拟+字符串处理)
- Makefile
- centos7 minimal安装tensorflow
- jieba分词支持关键词带空格和特殊字符
- MySQL添加映射连接到数据库时发生错误“FluentNHibernate.Cfg.FluentConfigurationException”
- 人在自然中生活
- MySQL数据库基础(一)(启动-停止、登录-退出、语法规范及最基础操作)(持续更新中)
- Ubuntu下配置Sublime的Jedi的代码自动补全
- oracle rac的特征
- PAT A1047 student list for course (25)
- Java 导出 Word 文档
- spring shiro权限注解方式验证;