jieba库(jieba库的介绍以及分词原理,jieba的三种模式和常用函数,利用Jieba模块进行中文词语的统计)

环境：  Python3.6 +  windows10

jieba介绍以及分词的原理

1. jieba 是Python中的优秀的中文分词第三方库

    --中文文本需要通过分词获得单个的词语

2. jieba 库提供三种分词模式 ，最简单只需要掌握一个函数

3.jieba库的安装

   只需要在cmd 中，   pip  install jieba     

4.. jieba分词的原理    

        通过中文词库的方式来识别分词的

        -- 利用一个中文词库，确定汉字之间的关联概率

       -- 通过计算汉字之间的概率，汉字间概率大的组成词组，形成分词结果

       -- 除了分词，用户还可以添加自定义的词组

 jieba的三种模式以及函数介绍

 1.jieba分词的三种模式     

      精确模式 ： 把文本精确的切分开，不存在冗余单词   （就是切分开之后一个不剩的精确组合） 常用

     全模式 ： 把文本中所有可能的词语都扫描出来，有冗余

                  即： 可能有一个文本，可以从不同的角度来切分，变成不同的词语。在全模式下把不同的词语都挖掘出来

    搜索引擎模式：在精确 模式基础上，对长词语再次切分

2. jieba库的常用函数

   (1)精确模式 函数  jieba.lcut(str)     返回列表类型

import jieba
"""jieba.lcut(str)"""
s = "中国是一个伟大的国家"
print(jieba.lcut(s))
"""
    输出结果： ['中国', '是', '一个', '伟大', '的', '国家']
"""

  (2)全模式    jieba.lcut(str,cut_all=True)     返回列表类型 ，有冗余

print(jieba.lcut(s,cut_all=True))
"""输出结果：['中国', '国是', '一个', '伟大', '的', '国家']"""

(3) 搜索引擎模式： jieba.lcut_for_search(str)  返回列表类型，有冗余

     先按照精确模式进行分词，然后把把比较长的词进行再次分词

s1 = "中华人民共和国是伟大的"
print(jieba.lcut_for_search(s1))
'''
输出结果 ： ['中华', '华人', '人民', '共和', '共和国', '中华人民共和国', '是', '伟大', '的']
'''

(4) jieba.add_word(str)   向分词词典添加新词 str

 

 jieba使用实例

文本词频的统计 ：  一篇文章中，出现了哪些词？哪些词出现的最多？

 1. 首先是英文文本 ，对照英文的分词，进行中文分词   用到的英文文本的网站   网站的文本赋全部赋值下来，然后进行保存，： https://python123.io/resources/pye/hamlet.txt

def getText():
    txt = open("E:\\\shuju\\hamelet.txt", "r").read()
    # 文章中的所有单词转化为小写
    txt = txt.lower()
    # 使用空格个来替换掉所有的符号
    for ch in "!\"#$%&()*+,-./:;<>=?@[\\]_'{|}~":
        txt = txt.replace(ch, " ")
    return txt
 
 
def main():
    hamletTxt = getText()
    words = hamletTxt.split()
    counts = {}
    for word in words:
        # 获取键对应的值，如果键不存在，给出默认值0
        # 获取 每个单词出现的次数
        counts[word] = counts.get(word, 0) + 1
    # 把字典的键值对转化为元组，全部存放在列表里面
    items = list(counts.items())
    # 进行排序，按照每个元组的第二个值，即字典的值，进行降序排序
    items.sort(key=lambda x:x[1],reverse=True)
    # 对降序排序的前10个进行处理，
    # 格式化输出 ： word: 最低长度为10,不够补空格    counts： 最低长度为5，不够的话补空格
    # print(items)
    for i in range(10):
        word,counts = items[i]
        print("{0:<10}{1:>5}".format(word,counts))
 
 
if __name__ == '__main__':
    main()

运行结果：

the        1143
and         966
to          762
of          669
i           631
you         554
a           546
my          514
hamlet      471
in          451

2.中文的文本进行分析，和英文的相比不同，中文中的有名称、词语成语等

   现在只统计三国演义中的人物的出现次数，取出排行前10的人物出现的次数

    中文的文本网站： 三国演义的片段文本： https://python123.io/resources/pye/threekingdoms.txt

   详细看代码的注释

"""人物出场统计"""
import jieba
 
# 读取所有的文件
txt = open("E:\\shuju\\threekingdoms.txt","r",encoding="utf-8").read()
# 使用jieba分词的精确模式
words = jieba.lcut(txt)
counts = {}
'''对进行分词的之后的结果进行处理,解决类似于孔明和诸葛亮是一个人物的问题，给其重新赋值'''
for word in words:
    # 排除长度为1的
    if len(word) == 1:
        continue
    elif word == "诸葛亮" or word == "孔明曰":
        rword = "孔明"
    elif word == "关公" or word == "云长":
        rword = "关羽"
    elif word == "玄德" or word == "玄德曰":
        rword = "刘备"
    elif word == "孟德" or word == "丞相":
        rword = "曹操"
    elif word == "周瑜" or word == "都督":
        rword = "周瑜"
    else:
        rword = word
        # 统计出场的次数
    counts[rword] = counts.get(rword,0) + 1
'''因为分词之后,可能不是人物的词要比人物的次数多，
    所以进行处理，如果统计的结果里面出现了不是人物的结果，
    就对其进行删除，可以先不进行处理，看看会出现哪些值，
    然后把这些值放在一个集合里面，然后可以进行相应的删除
    多次进行运行，然后添加之后，就可以得到想要的结果'''
excludes = {"将军","却说","二人","不可","荆州","不能","如此","商议","如何","主公",
            "军士","左右","军马","引兵","次日","大喜","东吴","天下","于是","今日",
            "不敢","魏兵","陛下","不知","一人","人马","汉中","只见","众将","后主",
            "大叫","上马","蜀兵"}
for ex in excludes:
    del counts[ex]   # 删除不是人物的值
items = list(counts.items())
# 安装从大到小进行排序
items.sort(key=lambda x:x[1],reverse=True)
# 只要前排序时候出场次数最多的前10个
for i in range(10):
    word,count = items[i]
    print("{0:<10}{1:>5}".format(word,count))

运行结果：

曹操         1451
孔明         1383
刘备         1252
关羽          784
周瑜          438
张飞          358
吕布          300
赵云          278
孙权          264
司马懿         221

3.同样的道理，我们可以进行西游记等，还有其他的中文文本的统计，

    还有中文的期刊。新闻等，都是可以进行统计的。