python 文本分词 python分词处理

• 支持三种分词模式与特点：

• 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

• 主要功能：

• jieba.cut 三个输入参数: 待分词的字符串；cut_all参数是否全模式；HMM 参数是否 HMM 模型
• jieba.cut_for_search 两个参数：待分词的字符串；是否 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
• 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。

• 三种模式

• 全模式 ，扫描所有可以成词的词语, 速度非常快，不能解决歧义.
• seg_list = jieba.cut("我来到成都四川大学", cut_all=True)
• 精准模式，适合文本分析.
• seg_list = jieba.cut("我来到成都四川大学", cut_all=False)
• 搜索引擎模式,对长词再次切分，提高召回率，适合用于搜索引擎分词。
• 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",HMM=False)



• 
  

• 添加自定义词典(强制调高词的权重)

print('原文档：\t'+'/'.join(jieba.cut('如果放到数据库中将出错。', HMM=False)))
#如果/放到/数据库/中将/出错/。
print(jieba.suggest_freq(('中', '将'), True))
#494
print('改进文档：\t'+'/'.join(jieba.cut('如果放到数据库中将出错。', HMM=False)))
#如果/放到/数据库/中/将/出错/。
print('\n原文档：\t'+'/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
#「/台/中/」/正确/应该/不会/被/切开
print(jieba.suggest_freq('台中', True))
#69
print('改进文档：\t'+'/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
#「/台中/」/正确/应该/不会/被/切开

• 加载自定义词典
  词典

import sys
sys.path.append("../")
jieba.load_userdict("../Files/user_dict.txt") # 加载自定义分词词典
seg_list1 = jieba.cut("今天很高兴在慕课网和大家交流学习")
print('\n\n加载自定义分词词典：\n'+"/ ".join(seg_list1))

• 关键词提取（分为 TF-IDF 和 TEXT-RANK）

• extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
• sentence 为待提取的文本
• topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20
• withWeight 为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，即不筛选
• jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件

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。"
#TF-IDF
for x, w in jieba.analyse.extract_tags(s,10, withWeight=True):
    print('%s %s' % (x, w))
#TEXT-RANK
for x, w in jieba.analyse.textrank(s, 10,withWeight=True):
    print('%s %s' % (x, w))

![在这里插入图片描述]()
- **词性标注**

```python
words = jieba.posseg.cut("我爱北京天安门")
for word, flag in words:
    print('%s %s' % (word, flag))

• 返回词语在原文中的起始位置

#默认模式
result = jieba.tokenize('永和服装饰品有限公司')
for tk in result:
    print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
#搜索模式
result = jieba.tokenize('永和服装饰品有限公司', mode='search')
for tk in result:
    print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))