“结巴”中文分词：做最好的 Python（中文分词组件）
jieba是一个在中文自然语言处理中用的最多的工具包之一，它以分词起家，目前已经能够实现包括分词、词性标注以及命名实体识别等多种功能。既然Jieba是以分词起家，我们自然要首先学习Jieba的中文分词功能。Jieba提供了三种分词模式：
精确模式 ： 在该模式下，Jieba会将句子进行最精确的切分全模式 ： 把句子中所有可以成词的词语都扫描出来，优点在于该模式非常快，缺点也很明显，就是不能有效解决歧义的问题搜索引擎模式 ：在精确模式的基础上，对长词进行再次切分，该模式适合用于搜索引擎构建索引的分词
import jieba
seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print("全模式: " + "/ ".join(seg_list)) # 全模式
seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("精确模式: " + "/ ".join(seg_list)) # 精确模式
seg_list = jieba.cut("我来到北京清华大学") # 默认是精确模式
print(", ".join(seg_list))
str = "我是一个中国人"
word1 = jieba.cut_for_search(str) # 搜索引擎模式
for item in word1:
print(item)
OUT:
全模式: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
精确模式: 我/ 来到/ 北京/ 清华大学
我, 来到, 北京, 清华大学
我
是
一个
中国
人
有些结巴词库并没有该词，所以有时需要添加自定义词典 添加自定义词典
# mydict.txt 内容
# 乾清宫 1 n # 词 分成1个 词性
# 黄琉璃瓦 1 n
jieba.load_userdict("./data/mydict.txt") #需UTF-8，可以在另存为里面设置
#也可以用jieba.add_word("乾清宫")
text = "故宫的著名景点包括乾清宫、太和殿和黄琉璃瓦等"
# 全模式
seg_list = jieba.cut(text, cut_all=True)
print(u"[全模式]: ", "/ ".join(seg_list))
# 精确模式
seg_list = jieba.cut(text, cut_all=False)
print(u"[精确模式]: ", "/ ".join(seg_list))
OUT:
[全模式]: 故宫/ 的/ 著名/ 著名景点/ 景点/ 包括/ 乾清宫/ 清宫/ / / 太和/ 太和殿/ 和/ 黄琉璃瓦/ 琉璃/ 琉璃瓦/ 等
[精确模式]: 故宫/ 的/ 著名景点/ 包括/ 乾清宫/ 、/ 太和殿/ 和/ 黄琉璃瓦/ 等
关键词抽取
import jieba.analyse
# 用于analyse这个包
seg_list = jieba.cut(text, cut_all=False)
print (u"分词结果:")
print ("/".join(seg_list))
text = "故宫的著名景点包括乾清宫、太和殿和黄琉璃瓦等"
#获取关键词
tags = jieba.analyse.extract_tags(text, topK=5) #前5 个
print (u"关键词:")
print (" ".join(tags))
OUT：
分词结果:
故宫/的/著名景点/包括/乾清宫/、/太和殿/和/黄琉璃瓦/等
关键词:
著名景点 乾清宫 黄琉璃瓦 太和殿 故宫
打印关键词
tags = jieba.analyse.extract_tags(text, topK=5, withWeight=True) #显示比重
for word, weight in tags:
print(word, weight)
OUT:
著名景点 2.3167796086666668
乾清宫 1.9924612504833332
黄琉璃瓦 1.9924612504833332
太和殿 1.6938346722833335
故宫 1.5411195503033335
词性标注
import jieba.posseg as pseg
words = pseg.cut("我爱北京天安门")
for word, flag in words:
print("%s %s" % (word, flag))
OUTL
我 r
爱 v
北京 ns
天安门 ns
词云展示
import jieba
from wordcloud import WordCloud
from scipy.misc import imread
from collections import Counter
import matplotlib.pyplot as plt
data={}
text_file = open("./data/19Congress.txt","r",encoding="utf-8")
text = text_file.read()
with open("./data/stopwords.txt",encoding="utf-8") as file:
stopwords = {line.strip() for line in file}
seg_list = jieba.cut(text, cut_all=False)
for word in seg_list:
if len(word)>=2:
if not data.__contains__(word):
data[word]=0
data[word]+=1
#print(data)
my_wordcloud = WordCloud(
background_color="white", #设置背景颜色
max_words=400, #设置最大实现的字数
font_path=r"./data/SimHei.ttf", #设置字体格式，如不设置显示不了中文
mask=imread("./data/mapofChina.jpg"), #指定在什么图片上画
width=1000,
height=1000,
stopwords = stopwords
).generate_from_frequencies(data)
plt.figure(figsize=(18,16))
plt.imshow(my_wordcloud)
plt.axis("off")
plt.show() # 展示词云
my_wordcloud.to_file("result.jpg")
text_file.close()