Python第三方库jieba(中文分词）

一、概述

jieba是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
- jieba是优秀的中文分词第三方库，需要额外安装
- jieba库提供三种分词模式，最简单只需掌握一个函数

二、安装说明

全自动安装：(cmd命令行)  pip install jieba        

安装成功显示

三、特点 —— jieba分词

1. 原理：jieba分词依靠中文词库

- 利用一个中文词库，确定中文字符之间的关联概率
- 中文字符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

2. 三种分词模式：

• 精确模式：试图将句子最精确地切开，不存在冗余单词，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，有冗余，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。

四、jieba库常用函数

1	1. jieba.lcut(s)     #精确模式，返回一个列表类型的分词结果

代码示例

1	jieba.lcut("中国是一个伟大的国家")

结果输出： ['中国', '是', '一个', '伟大', '的', '国家']

2. jieba.lcut(s, cut_all=True)     #全模式，返回一个列表类型的分词结果，存在冗余

代码示例

jieba.lcut("中国是一个伟大的国家",cut_all=True) 

结果输出： ['中国', '国是', '一个', '伟大', '的', '国家']

3. jieba.lcut_for_sear ch(s)     #搜索引擎模式，返回一个列表类型的分词结果，存在冗余

代码示例

jieba.lcut_for_search(“*是伟大的")

结果输出:   ['中华', '华人', '人民', '共和', '*', '中华人民共 和国', '是', '伟大', '的']

4.  jieba.add_word(w)       #向分词词典增加新词w 

代码示例

jieba.add_word("蟒蛇语言")

运用jieba库进行词频统计 

实例   ——  对西游记第一回进行词频统计

代码

import jieba
path_txt = 'C:\\Users\86136\Desktop\西游记.txt'   #文档在电脑上所在位置
txt = open(path_txt,"r").read()
excludes = {"，","：","“","。","”","、","；"," ","！","？","　","\n"}
words = jieba.lcut(txt)
counts = {}
for word in words:
    counts[word] = counts.get(word,0)+1
for word in excludes:
    del counts[word]
items = list(counts.items())
items.sort(key=lambda x:x[1],reverse = True)
for i in range(15):
    word, count = items[i]
    print("{0:<10}{1:>5}".format(word,count))

运行结果

利用jieba库统计三国演义中任务的出场次数

mport  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))