在使用jieba分词时，发现分词准确度不高。特别是一些专业词汇，比如堡垒机，只能分出堡垒，并不能分出堡垒机。这样导致的问题是很多时候检索并不准确。

经过对比测试，发现nlpir进行分词效果更好。但是nlpir的效率和各种支持又没有jieba那么好，因此采用了一种折中的方案。

就是先用nlpir生成字典，然后使用jieba利用字典进行分词。

首先安装pynlpir。pynlpir的相关说明可以参考https://pynlpir.readthedocs.io/en/latest/index.html。

// 安装

$ pip install pynlpir

// 证书更新

$ pynlpir update

而后为jieba生成字典。jieba支持的字典格式为单词 词频，中间用空格隔开，每行一个单词。

使用pynlpir生成词典的方式如下：

import pynlpir

pynlpir.open()

f = open("doc.txt", "r")

s= f.readlines()

s = '\n'.join(s)

f.close()

key_words = pynlpir.get_key_words(s, max_words=1000, weighted=True)

for key_word in key_words:

    print '%s %s' % (key_word[0], int(key_word[1]*10))

这里之所以为每个词频*10，主要是为了加强其权重。而后再使用jieba利用该字典进行分词。至于jieba分词如何使用词典，可以参考https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py。这里就不再重复了。

对于sphinx-doc，其最新版本也是使用的jieba分词。同样可以使用本方法来提升其分词的准确率。

中文分词引入可以参考https://www.chenyudong.com/archives/sphinx-doc-support-chinese-search.html。

在conf.py中，配置html_search_options = {'dict': '/usr/lib/jieba.txt'}，加入字典的路径。这里一定要绝对路径。相对路径不能生效。