(python中文意思)(python中中文)

前言

在自然语言处理领域中，分词和提取关键词都是对文本处理时通常要进行的步骤。用Python语言对英文文本进行预处理时可选择NLTK库，中文文本预处理可选择jieba库。当然也有其他好用的库，个人在中文预处理时经常使用jieba库，所以聊聊jieba库对中文预处理的一些总结。

Jieba

“结巴”中文分词是国人做的一个Python中文分词库，它支持繁体分词和自定义词典，主要有三种分词模式：

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。

安装

1.pip安装

pip install jieba

2.python setup install

先下载 http://pypi.python.org/pypi/jieba/ ，解压后运行 python setup.py install

内置算法

• 基于前缀词典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。

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(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)；

• jieba.lcut(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。

代码示例

关键词提取

1.基于 TF-IDF 算法的关键词抽取(import jieba.analyse)

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=()) # 提取关键词

• sentence 为待提取的文本；

• topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20；

• withWeight 为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，即不筛选。

2.基于TextRank算法的关键词

jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=(‘ns’, ‘n’, ‘vn’, ‘v’)) # 提取关键词，接口相同，注意默认过滤词性。

算法基本思路：

• 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。

词性标注

1.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。

2.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。

代码示例

总结

实际上用Python在做一些小文本的中文预处理时，Jieba的效果还是不错。也有跟Java的AnsjSeg相比后，小样本的处理下实际运行速度也差不了多少，主要在编程的时候方便，几行代码可以完成大量工作，大家在做文本处理时可以尝试使用下。