1、jieba库基本介绍

(1)、jieba库概述

1. jieba是优秀的中文分词第三方库

2. -中文文本需要通过分词获得单个的词语

3. - jieba是优秀的中文分词第三方库，需要额外安装

4. - jieba库提供三种分词模式，最简单只需掌握一个函数

(2)、jieba分词的原理

1. Jieba分词依靠中文词库

2. - 利用一个中文词库，确定汉字之间的关联概率

3. - 汉字间概率大的组成词组，形成分词结果

4. - 除了分词，用户还可以添加自定义的词组

2、jieba库使用说明

(1)、jieba分词的三种模式

1. 精确模式、全模式、搜索引擎模式

2. - 精确模式：把文本精确的切分开，不存在冗余单词

3. - 全模式：把文本中所有可能的词语都扫描出来，有冗余

4. - 搜索引擎模式：在精确模式基础上，对长词再次切分

(2)、jieba库常用函数

 

 

 

3.jieba应用实例

 

 

 

4.利用jieba库统计三国演义中任务的出场次数

import jieba

 

txt = open("D:\\三国演义.txt", "r", encoding='utf-8').read()

words = jieba.lcut(txt) # 使用精确模式对文本进行分词

counts = {} # 通过键值对的形式存储词语及其出现的次数

 

for word in words:

if len(word) == 1: # 单个词语不计算在内

continue

else:

counts[word] = counts.get(word, 0) + 1 # 遍历所有词语，每出现一次其对应的值加 1

 

items = list(counts.items())#将键值对转换成列表

items.sort(key=lambda x: x[1], reverse=True) # 根据词语出现的次数进行从大到小排序

 

for i in range(15):

word, count = items[i]

print("{0:<5}{1:>5}".format(word, count))

 

 

 

 

 

统计了次数对多前十五个名词，曹操不愧是一代枭雄，第一名当之无愧，但是我们会发现得到的数据还是需要进一步处理，比如一些无用的词语，一些重复意思的词语。

 

转自：微信公众号：程序员大佬