pythonallowpos_python jieba包用法总结

#coding: utf-8

####jieba特性介绍#支持三种分词模式：#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。#支持繁体分词。#支持自定义词典。#MIT 授权协议。

####分词速度#1.5 MB / Second in Full Mode#400 KB / Second in Default Mode#测试环境: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《围城》.txt

##一、 第一部分

###Part 1. 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。

#In[1]:

importjieba

seg_list= jieba.cut("我来到北京清华大学", cut_all=True)print("Full Mode:" + "/".join(seg_list)) #全模式

#In[15]:

seg_list= jieba.cut("我来到北京清华大学", cut_all =False)print("Precise Mode:" + "/".join(seg_list)) #精确模式，默认状态下也是精确模式

#In[16]:

seg_list= jieba.cut("他来到网易杭研大厦。")print("Default Mode:" + "/".join(seg_list))#In[14]:

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。") #搜索引擎模式

print("Search Mode:" + "/".join(seg_list))###Part 2. 添加自定义词典

####载入词典#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，一部分为词语，另一部分为词频(可省略)，最后为词性(可省略)，用空格隔开。#词频可省略，使用计算出的能保证分出该词的词频。#更改分词器的 tmp_dir 和 cache_file 属性，可指定缓存文件位置，用于受限的文件系统。

#In[5]:

seg_list= jieba.cut("李小福是创新办主任也是云计算方面的专家。")print("Origin:" + "/".join(seg_list))#In[6]:

jieba.load_userdict("C:\\Users\\Luo Chen\\Desktop\\lixiaofu.txt")

seg_list= jieba.cut("李小福是创新办主任也是云计算方面的专家。")print("Revise:" + "/".join(seg_list))####调整词典

#使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。#使用 suggest_freq(segment, tune=True) 可调节单个词语的词频，使其能(或不能)被分出来。#注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。

#In[7]:

print("/".join(jieba.cut("如果放到post中将出错。", HMM =False)))#In[8]:

#利用调节词频使“中”，“将”都能被分出来

jieba.suggest_freq(("中", "将"), tune =True)#In[9]:

print("/".join(jieba.cut("如果放到post中将出错。", HMM =False)))#In[16]:

Original= "/".join(jieba.cut("江州市长江大桥参加了长江大桥的通车仪式。", HMM =False))print "Original:" +Original#In[21]:

jieba.add_word("江大桥", freq = 20000, tag =None)print "/".join(jieba.cut("江州市长江大桥参加了长江大桥的通车仪式。"))#In[20]:

jieba.load_userdict("C:\\Users\\Luo Chen\\Desktop\\shizhang.txt")print "Revise:" + "/".join(jieba.cut("江州市长江大桥参加了长江大桥的通车仪式。", HMM =False))###Part 3. 词性标注

#jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器，tokenizer 参数可指定内部使用的 jieba.Tokenizer 分词器。jieba.posseg.dt 为默认词性标注分词器。#标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法。

#In[22]:

importjieba.posseg as pseg

words= pseg.cut("我爱北京天安门。")for w inwords:print("%s %s" %(w.word, w.flag))###Part 4. 关键词提取

####基于 TF-IDF 算法的关键词提取

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

#optparse模块OptionParser学习#optparse是专门在命令行添加选项的一个模块。

#In[2]:

from optparse importOptionParser

MSG_USAGE= "myprog[ -f ][-s ] arg1[,arg2..]"optParser=OptionParser(MSG_USAGE)#以上，产生一个OptionParser的物件optParser。传入的值MSG_USAGE可被调用打印命令时显示出来。

optParser.add_option("-f","--file",action = "store",type="string",dest = "fileName")

optParser.add_option("-v","--vison", action="store_false", dest="verbose",default='gggggg',

help="make lots of noise [default]")#调用OptionParser.add_option()添加选项，add_option()参数说明：#action:存储方式，分为三种store, store_false, store_true#type:类型#dest:存储的变量#default:默认值#help:帮助信息

fakeArgs= ['-f','file.txt','-v','good luck to you', 'arg2', 'arge']

options, args=optParser.parse_args(fakeArgs)printoptions.fileNameprintoptions.verboseprintoptionsprintargs#调用OptionParser.parse_args()剖析并返回一个directory和一个list#parse_args()说明:#如果没有传入参数，parse_args会默认将sys.argv[1:]的值作为默认参数。这里我们将fakeArgs模拟输入的值。#从返回结果中可以看到，#options为是一个directory,它的内容fakeArgs为“参数/值 ”的键值对。#args 是一个list，它的内容是fakeargs除去options后，剩余的输入内容。#options.version和options.fileName都取到与options中的directory的值。

printoptParser.print_help()#输出帮助信息#optParser.print_help()说明：#1、最开始的的MSG_USAGE的值:在这个地方显示出来了。#2、自动添加了-h这个参数。

#In[14]:

importjieba.analyse as anl

f= open("C:\\Users\\Luo Chen\\Desktop\\demo.txt", "r").read()

seg= anl.extract_tags(f, topK = 20, withWeight =True)for tag, weight inseg:print "%s %s" %(tag, weight)#关键词提取所使用逆向文件频率(IDF)文本语料库可以切换成自定义语料库的路径。#jieba.analyse.set_idf_path(file_name) #file_name为自定义语料库的路径#如：jieba.analyse.set_idf_path("../extra_dict/idf.txt.big")#.big文件一般是游戏中的文件，比较常见的用途是装载游戏的音乐、声音等文件。# #关键词提取所使用停用词(Stop Words)文本语料库可以切换成自定义语料库的路径。#jieba.analyse.set_stop_words(file_name) #file_name为自定义语料库的路径。#如：jieba.analyse.set_stop_words("../extra_dict/stop_words.txt")

####基于 TextRank 算法的关键词提取

#基本思想:#将待抽取关键词的文本进行分词；#以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图；#计算图中节点的PageRank，注意是无向带权图。#jieba.analyse.textrank(sentence, topK = 20, withWeight = False, allowPOS = ('ns', 'n', 'v', 'nv')) 注意默认过滤词性。#jieba.analyse.TextRank() 新建自定义TextRank实例。

#In[16]:

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。"

for x, w in jieba.analyse.textrank(s, topK = 5, withWeight =True):print("%s %s" %(x, w))###Part 5. 并行分词(多进程分词)

#原理：将目标文本按行分隔后，把各行文本分配到多个 Python 进程并行分词，然后归并结果，从而获得分词速度的可观提升。#基于 python 自带的 multiprocessing 模块，目前暂不支持 Windows。#用法：#jieba.enable_parallel(4) # 开启并行分词模式，参数为并行进程数#jieba.disable_parallel() # 关闭并行分词模式#实验结果：在 4 核 3.4GHz Linux 机器上，对金庸全集进行精确分词，获得了 1MB/s 的速度，是单进程版的 3.3 倍。#注意：并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。

###Part 6. Tokenize: 返回词语在原文的起止位置

#注意：输入参数只接受 unicode#两种模式：默认模式、搜索模式。

####默认模式

#In[19]:

result= jieba.tokenize(u"永和服装饰品有限公司")for tk inresult:print("%s \t start at: %d \t end at: %d" %(tk[0], tk[1], tk[2]))####搜索模式#把句子中所有的可以成词的词语都扫描出来并确定位置。

#In[20]:

result= jieba.tokenize(u"永和服装饰品有限公司", mode = "search")for tk inresult:print("%s \t start at: %d \t end at: %d" % (tk[0], tk[1], tk[2]))###Part 7. 延迟加载机制#jieba 采用延迟加载，import jieba 和 jieba.Tokenizer() 不会立即触发词典的加载，一旦有必要才开始加载词典构建前缀字典。如果你想手工初始 jieba，也可以手动初始化。#import jieba#jieba.initialize() #手动初始化(可选)

#在 0.28 之前的版本是不能指定主词典的路径的，有了延迟加载机制后，你可以改变主词典的路径:#jieba.set_dictionary("data/dict.txt.big")#也可以下载你所需要的词典，然后覆盖jieba/dict.txt即可。

##二、 第二部分

###Part 1. 词频统计、降序排序

#In[21]:

article= open("C:\\Users\\Luo Chen\\Desktop\\demo_long.txt", "r").read()

words= jieba.cut(article, cut_all =False)

word_freq={}for word inwords:if word inword_freq:

word_freq[word]+= 1

else:

word_freq[word]= 1freq_word=[]for word, freq inword_freq.items():

freq_word.append((word, freq))

freq_word.sort(key= lambda x: x[1], reverse =True)

max_number= int(raw_input(u"需要前多少位高频词？"))for word, freq infreq_word[: max_number]:printword, freq###Part 2. 人工去停用词

#标点符号、虚词、连词不在统计范围内。

#In[22]:

stopwords=[]for word in open("C:\\Users\\Luo Chen\\Desktop\\stop_words.txt", "r"):

stopwords.append(word.strip())

article= open("C:\\Users\\Luo Chen\\Desktop\\demo_long.txt", "r").read()

words= jieba.cut(article, cut_all =False)

stayed_line= ""

for word inwords:if word.encode("utf-8") not instopwords:

stayed_line+= word + " "

printstayed_line###Part 3. 合并同义词

#将同义词列举出来，按下Tab键分隔，把第一个词作为需要显示的词语，后面的词语作为要替代的同义词，一系列同义词放在一行。#这里，“北京”、“首都”、“京城”、“北平城”、“故都”为同义词。

#In[24]:

combine_dict={}for line in open("C:\\Users\\Luo Chen\\Desktop\\tongyici.txt", "r"):

seperate_word= line.strip().split("\t")

num=len(seperate_word)for i in range(1, num):

combine_dict[seperate_word[i]]=seperate_word[0]

jieba.suggest_freq("北平城", tune =True)

seg_list= jieba.cut("北京是中国的首都，京城的景色非常优美，就像当年的北平城，我爱这故都的一草一木。", cut_all =False)

f= ",".join(seg_list)

result= open("C:\\Users\\Luo Chen\\Desktop\\output.txt", "w")

result.write(f.encode("utf-8"))

result.close()for line in open("C:\\Users\\Luo Chen\\Desktop\\output.txt", "r"):

line_1= line.split(",")

final_sentence= ""

for word inline_1:if word incombine_dict:

word=combine_dict[word]

final_sentence+=wordelse:

final_sentence+=wordprintfinal_sentence###Part 4. 词语提及率

#主要步骤：分词——过滤停用词(略)——替代同义词——计算词语在文本中出现的概率。

#In[31]:

origin= open("C:\\Users\\Luo Chen\\Desktop\\tijilv.txt", "r").read()

jieba.suggest_freq("晨妈妈", tune =True)

jieba.suggest_freq("大黑牛", tune =True)

jieba.suggest_freq("能力者", tune =True)

seg_list= jieba.cut(origin, cut_all =False)

f= ",".join(seg_list)

output_1= open("C:\\Users\\Luo Chen\\Desktop\\output_1.txt", "w")

output_1.write(f.encode("utf-8"))

output_1.close()

combine_dict={}for w in open("C:\\Users\\Luo Chen\\Desktop\\tongyici.txt", "r"):

w_1= w.strip().split("\t")

num=len(w_1)for i inrange(0, num):

combine_dict[w_1[i]]=w_1[0]

seg_list_2= ""

for i in open("C:\\Users\\Luo Chen\\Desktop\\output_1.txt", "r"):

i_1= i.split(",")for word ini_1:if word incombine_dict:

word=combine_dict[word]

seg_list_2+=wordelse:

seg_list_2+=wordprintseg_list_2#In[35]:

freq_word={}

seg_list_3= jieba.cut(seg_list_2, cut_all =False)for word inseg_list_3:if word infreq_word:

freq_word[word]+= 1

else:

freq_word[word]= 1freq_word_1=[]for word, freq infreq_word.items():

freq_word_1.append((word, freq))

freq_word_1.sort(key= lambda x: x[1], reverse =True)for word, freq infreq_word_1:printword, freq

total_freq=0for i infreq_word_1:

total_freq+= i[1]for word, freq infreq_word.items():

freq= float(freq) /float(total_freq)printword, freq###Part 5. 按词性提取

#In[36]:

importjieba.posseg as pseg

word= pseg.cut("李晨好帅，又能力超强，是“大黑牛”，也是一个能力者，还是队里贴心的晨妈妈。")for w inword:if w.flag in ["n", "v", "x"]:print w.word, w.flag