文章目录

1 jieba 库的安装

pip install jieba

2 jieba 库的介绍

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

jieba分词的原理
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

3 jieba 库的使用

jieba库的三种模式

  • 精确模式：把文本精确的切分开，不存在冗余单词
  • 全模式：把文本中所有可能的词语都扫描出来，有冗余
  • 搜索引擎模式：在精确模式基础上，对长词再次切分
  • 英文文本：Hamet 分析词频https://python123.io/resources/pye/hamlet.txt
  • 中文文本：《三国演义》 分析人物https://python123.io/resources/pye/threekingdoms.t

英文示例

# CalHamletV1.py
def getText():
	txt = open("hamlet.txt","r").read()
	txt = txt.lower()
	for ch in '!"#$%&()*+-./:;<=>?@[\\]^_‘{|}~':
		txt = txt.replace(ch," ")
	return txt

hamletTxt = getText()
words = hamletTxt.split()
counts = {}
for word in words:
	counts[word]  = counts.get(word,0)+1
items = list(counts.items())
items.sort(key = lambda x:x[1],reverse = True)
for i in range(10):
	word,count = items[i]
	print("{0:<10}{1:>5}".format(word,count))


the        1138
and         938
to          751
of          668
a           542
i           528
my          514
you         473
hamlet      433
in          433

中文示例

import jieba
txt = open("threekingdoms.txt", "r", encoding="utf-8").read()
words = jieba.lcut(txt)
counts = {}
for word in words:
	if len(word) == 1:
		continue
	else:
		counts[word] = counts.get(word,0)+1

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))