结巴中文分词工具的安装使用 Python分词教程

结巴分词

中文分词是中文文本处理的一个基础性工作,结巴分词利用进行中文分词。其基本实现原理有三点:

1、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)
2、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
3、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

安装(windows环境)

1. 下载:
jieba-0.38 (python2/3)都可用。
源码下载的地址1:https://github.com/fxsjy/jieba
源码下载的地址2:https://pypi.python.org/pypi/jieba

2. 解压:
将其解压到python的目录下面:D:\program\python\jieba-0.38

3. 安装:
cmd进入该目录,执行 Python setyp.py install

4. 测试

(只要import jieba成功则安装成功)

模式

默认模式,试图将句子最精确地切开,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,适合搜索引擎

接口

组件只提供jieba.cut 方法用于分词
cut方法接受两个输入参数:
第一个参数为需要分词的字符串
cut_all参数用来控制分词模式
待分词的字符串可以是gbk字符串、utf-8字符串或者unicode
jieba.cut返回的结构是一个可迭代的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

手机阅读 | 转载注明:http://www.hekaiyu.cn/seo/3830.html
LEAVE A REPLY
loading