Python分词模块推荐：结巴中文分词

就是前面说的中文分词，这里需要介绍的是一个分词效果较好，使用起来像但方便的Python模块：结巴。

一、结巴中文分词采用的算法

• 基于Trie树结构实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图（DAG)
• 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
• 对于未登录词，采用了基于汉字成词能力的HMM模型，使用了Viterbi算法

二、结巴中文分词支持的分词模式

目前结巴分词支持三种分词模式：

1. 精确模式，试图将句子最精确地切开，适合文本分析；
2. 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；
3. 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。

使用方法如下：

# -*- coding:utf-8 -*-
import jieba

text = '我来到北京清华大学'

default_mode = jieba.cut(text)
full_mode = jieba.cut(text,cut_all=True)
search_mode = jieba.cut_for_search(text)

print "精确模式:","/".join(default_mode)
print "全模式:","/".join(full_mode)
print "搜索引擎模式:","/".join(search_mode)

返回的数据如下：

1. 精确模式: 我/来到/北京/清华大学
2. 全模式: 我/来到/北京/清华/清华大学/华大/大学
3. 搜索引擎模式: 我/来到/北京/清华/华大/大学/清华大学

上述代码解释：

• jieba.cut方法接受两个输入参数: 1) 第一个参数为需要分词的字符串 2）cut_all参数用来控制是否采用全模式，默认不采用。
• jieba.cut_for_search方法接受一个参数：需要分词的字符串,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
• 注意：待分词的字符串可以是gbk字符串、utf-8字符串或者unicode
• 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)，也可以用list(jieba.cut(…))转化为list

三、结巴中文分词的其他功能

1、添加或管理自定义词典

结巴的所有字典内容存放在dict.txt，你可以不断的完善dict.txt中的内容。

2、关键词抽取

通过计算分词后的关键词的TF/IDF权重，来抽取重点关键词。

具体示例：

# -*- coding:utf-8 -*-
import jieba.analyse

text = "结巴中文分词模块是一个非常好的Python分词组件"

tags = jieba.analyse.extract_tags(text,2)

print "关键词抽取:","/".join(tags)

返回的结果为：关键词抽取: 分词/Python

更多信息请查看：  https://github.com/fxsjy/jieba/

Related posts: 

1. 使用Python来检查统计代码是否布置到位
2. PHP截取汉字出现乱码的解决方法
3. Python模块学习之hashlib