使用python進行漢語分詞

目前我常用的分詞有結巴分詞、NLPIR分詞等等

最近是在使用結巴分詞，稍微做一下推薦，還是蠻好用的。

一、結巴分詞簡介

利用結巴分詞進行中文分詞，基本實現原理有三：

基於Trie樹結構實現高效的詞圖掃描，生成句子中漢字所有可能成詞情況所構成的有向無環圖（DAG)

採用了動態規劃查找最大機率路徑, 找出基於詞頻的最大切分組合

對於未登錄詞，採用了基於漢字成詞能力的HMM模型，使用了Viterbi演算法

二、安裝及使用（Linux）

1.下載工具包，解壓縮後進入目錄下，運行：python setup.py install

Hint：a.一個良好的習慣是，對於下載下來的軟體，先看readme ，再進行操作。 （沒有閱讀readme，直接嘗試+百度，會走很多彎路）；

　　   b.當時運行安裝命令時，出現錯誤：no permission！  （有些人可能會遇見這種問題，這是因為權限不夠的。執行：sudo !!   其中「!!」表示上一條指令，這裡指的就是上面的安裝指令），使用sudo後便可正常運作。

2.在使用結巴做分詞的時候，一定會用的函數是：jieba.cut（arg1，arg2）；這是用於分詞的函數，我們只需要了解以下三點，便可使用

　　a.cut方法接受兩個輸入參數：第一個參數（arg1）為需要進行分詞的字串，arg2參數用來控制分詞模式。

　　分詞模式分為兩類：預設模式，試圖將句子最精確地切開，適合文字分析;全模式，把句子中所有的可以成詞的詞語都掃描出來，適合搜尋引擎

 　　b.待分詞的字串可以是gbk字串、utf-8字串或unicode

使用Python的人要注意編碼問題，Python是基於ASCII碼來處理字元的，當出現不屬於ASCII的字元時（例如在程式碼中使用漢字），會出現錯誤訊息：“ASCII codec can't encode character”，解決方案是在文件頂部加入語句： #! -*- coding:utf-8 -*-  來告訴Python的編譯器：“我這個檔案是用utf-8進行編碼的，你要進行解碼的時候，請用utf-8」。 （這裡記住，這個指令一定要加在檔案的最頂部，如果不在最頂部，編碼問題就依然存在，無法解決）關於編碼的轉換，可以參考部落格文章（ps：個人理解「import sys    reload( sys)   sys.setdefaultencoding('utf-8')」這幾句與「#! -*- coding:utf-8 -*- 」等價）

 　  c.jieba.cut的generator，可以使用for循環來獲得分詞後得到的每一個詞語(unicode)，也可以用list(jieba.cut(...))轉化為list  

3.以下舉例jieba中提供的一個使用方法作為說明：

#! -*- coding:utf-8 -*-
import jieba
seg_list = jieba.cut("我来到北京清华大学", cut_all = True)
print "Full Mode:", ' '.join(seg_list)
  
seg_list = jieba.cut("我来到北京清华大学")
print "Default Mode:", ' '.join(seg_list)

   

輸出結果為：

Full Mode: 我/ 来/ 来到/ 到/ 北/ 北京/ 京/ 清/ 清华/ 清华大学/ 华/ 华大/ 大/ 大学/ 学  
Default Mode: 我/ 来到/ 北京/ 清华大学

   

三、結巴分義詞的其他功能在所有檔案txt，你可以不斷的完善dict.txt中的內容。

2、關鍵字抽取

透過計算分詞後的關鍵字的TF/IDF權重，來抽取重點關鍵字。