结巴分词

jieba 是比较好的中文分词库，在此之前，需要 pip install jieba

结巴分词有三种模式：

全模式：把句子中所有的可以成词的词语都扫描出来

jieba.cut(text, cut_all=True)

精确模式：将句子最精确地切开，适合文本分析

jieba.cut(text, cut_all=False)  # 默认模式

搜索引擎模式：在精确模式的基础上，对长词再次切分，适合用于搜索引擎分词

jieba.cut_for_search(txt)

三种分词效果如下图所示：在这里插入图片描述
想要进一步了解 jieba 三种模式，请参考详细介绍。因为我要做的是文本分析，所以选用的是默认的精确模式。

对于一些词，比如“吃鸡”，jieba 往往会将它们分成 “吃” 和 “鸡” ，但是又不太想让它们分开，这该怎么做呢？这时候就需要加载自定义的词典 dict.txt。建立该文档，在其中加入“吃鸡”，执行以下代码：

file_userDict = 'dict.txt'  # 自定义的词典
jieba.load_userdict(file_userDict)

效果对比图：
在这里插入图片描述

词性标注

在用 posseg 分词后，结果是一对值，包括 word 和 flag ，可以用 for 循环获取。关于汉语词性对照表，请看词性标注表

import jieba.posseg as pseg
sentence = "酒店就在海边，去鼓浪屿很方便。"
words_pair = pseg.cut(sentence)
result = " ".join(["{0}/{1}".format(word, flag) for word, flag in words_pair])
print(result)

在这里插入图片描述
在此基础上，可以进一步做词性过滤，只保留特定词性的词。首先在 tag_filter 表明想要留下哪些词，接着对于词性标注后的句子中的每一个词，如果词性符合，则加入到 list 中。在这里只保留了名词和动词。

import jieba.posseg as pseg
list = []
sentence = "人们宁愿去关心一个蹩脚电影演员的吃喝拉撒和鸡毛蒜皮，而不愿了解一个普通人波涛汹涌的内心世界"
tag_filter = ['n', 'v']  # 需要保留的词性
seg_result = pseg.cut(sentence)  # 结果是一个pair，有flag和word两种值
list.append([" ".join(s.word for s in seg_result if s.flag in tag_filter)])
print("词性过滤完成")
print(list)

在这里插入图片描述

去停用词

去停用词时，首先要用到停用词表，常见的有哈工大停用词表 及 百度停用词表，在网上随便下载一个即可。
在这里插入图片描述
在去停用词之前，首先要通过 load_stopword( ) 方法来加载停用词列表，接着按照上文所示，加载自定义词典，对句子进行分词，然后判断分词后的句子中的每一个词，是否在停用词表内，如果不在，就把它加入 outstr，用空格来区分。

import jieba


#  加载停用词列表
def load_stopword():
    f_stop = open('hit_stopwords.txt', encoding='utf-8')  # 自己的中文停用词表
    sw = [line.strip() for line in f_stop]  # strip() 方法用于移除字符串头尾指定的字符（默认为空格）
    f_stop.close()
    return sw


# 中文分词并且去停用词
def seg_word(sentence):
    file_userDict = 'dict.txt'  # 自定义的词典
    jieba.load_userdict(file_userDict)

    sentence_seged = jieba.cut(sentence.strip())
    stopwords = load_stopword()
    outstr = ''
    for word in sentence_seged:
        if word not in stopwords:
            if word != '/t':
                outstr += word
                outstr += " "
    print(outstr)
    return outstr


if __name__ == '__main__':
    sentence = "人们宁愿去关心一个蹩脚电影演员的吃喝拉撒和鸡毛蒜皮，而不愿了解一个普通人波涛汹涌的内心世界"
    seg_word(sentence)

在这里插入图片描述

去标点符号

导入 re 包，定义标点符号，使用 sub( ) 方法将之替换。

import re

sentence = "+蚂=蚁！花!呗/期?免,息★.---《平凡的世界》：了*解一（#@）个“普通人”波涛汹涌的内心世界！"
sentenceClean = []
remove_chars = '[·’!"#$%&\'()＃！（）*+,-./:;<=>?@，：?★、…．＞【】［］《》？“”‘’[\\]^_`{|}~]+'
string = re.sub(remove_chars, "", sentence)
sentenceClean.append(string)
print(sentence)
print(sentenceClean)

在这里插入图片描述

最终代码

最后结合上面的内容，将它们封装到一个 TextProcess 类中。 filePath 是刚开始要处理的文本位置， fileSegDonePath 是处理完毕后要保存的位置。

思路是先将要处理的文本逐行保存到一个 fileTrainRead 的列表中，然后有两种方法可供选择：

加载停用词表，对它进行分词及去停用词操作，保存到 word_list_seg 列表中；
或者也可以选择不分词及去停用词，而是直接从句子中提取需要的词性，然后保存到 word_list_pos 列表中。

由于停用词及词性过滤都对句子标点进行了去除，因此该类中不包含标点符号的去除。最后将处理好的句子写入文件中。

import jieba
import jieba.posseg as pseg


class TextProcess(object):

    def __init__(self, filePath, fileSegDonePath):
        self.filePath = filePath  # 需要处理的文本位置
        self.fileSegDonePath = fileSegDonePath  # 处理完毕后的保存位置
        self.fileTrainRead = []  # 所有行保存到该列表
        self.stopPath = "hit_stopwords.txt"  # 自己所用的停用词表位置
        self.word_list_seg = []  # 分词及去停用词后保存的列表
        self.word_list_pos = []  # 词性过滤后保存的列表

    # 将每一行文本依次存放到一个列表
    def saveLine(self):
        count = 0  # 统计行数
        with open(self.filePath, encoding='utf-8') as fileTrainRaw:
            for index, line in enumerate(fileTrainRaw):
                self.fileTrainRead.append(line)
                count += 1
        print("一共有%d行" % count)
        return self.fileTrainRead

    # 加载停用词表
    def load_stopword(self):
        f_stop = open(self.stopPath, encoding='utf-8')  # 自己的中文停用词表
        sw = [line.strip() for line in f_stop]  # strip() 方法用于移除字符串头尾指定的字符（默认为空格）
        f_stop.close()
        return sw

    # 分词并且去停用词，与下一个词性过滤方法选择一个即可
    def segLine(self):
        file_userDict = 'dict.txt'  # 自定义的词典
        jieba.load_userdict(file_userDict)
        for i in range(len(self.fileTrainRead)):
            sentence_seged = jieba.cut(self.fileTrainRead[i].strip())
            stopwords = self.load_stopword()
            outstr = ''
            for word in sentence_seged:
                if word not in stopwords:
                    if word != '/t':
                        outstr += word
                        outstr += " "
            self.word_list_seg.append([outstr])
        print("分词及去停用词完成")
        return self.word_list_seg

    # 保留特定词性
    def posLine(self):
        for i in range(len(self.fileTrainRead)):
            tag_filter = ['n', 'd', 'a', 'v', 'f', 'ns', 'vn']  # 需要保留的词性 d-副词 f-方位词 ns-地名 vn-名动词
            seg_result = pseg.cut(self.fileTrainRead[i])  # 结果是一个pair，有flag和word两种值
            self.word_list_pos.append([" ".join(s.word for s in seg_result if s.flag in tag_filter)])
        print("词性过滤完成")
        return self.word_list_pos

    # 处理后写入文件
    def writeFile(self):
        with open(self.fileSegDonePath, 'wb') as fs:
            for i in range(len(self.word_list_seg)):  # 选择去停用词方法
                fs.write(self.word_list_seg[i][0].encode('utf-8'))
                fs.write('\n'.encode("utf-8"))
            '''
            for i in range(len(self.word_list_pos)):  # 选择词性过滤方法
                fs.write(self.word_list_pos[i][0].encode('utf-8'))
                fs.write('\n'.encode("utf-8"))
            '''


if __name__ == '__main__':
    tp = TextProcess('ex.txt', 'final.txt')
    tp.saveLine()  # 将每一行文本依次存放到一个列表
    tp.load_stopword()  # 加载停用词表
    tp.segLine()
    # tp.posLine()
    tp.writeFile()

原始文本（爬取的酒店评论部分数据）：

各方面条件都很好，就是住进去时没有明面窗户屋子里比较潮，后来用了除湿器。
位置特别好，出入方便，酒店前台、门童服务特别好。
就在步行街路口，位置不错。酒店服务也挺好的。
酒店各方面非常不错。“健身房”实在是短板。太影响整体形象
酒店位置很好中山路步行街口，有停车场出行很方便。
早餐品种丰富，工作人员很热情，海景房能观赏鼓浪屿夜景相当不错！
早点丰富，出行方便！

选择去停用词方法效果：