结巴是现在中文分词比较好用的包，这里列出一些基本的用法，以后再慢慢补充
- 下载
pip install jieba
- 分词有两种模式，cut_all = True or False，默认为False。第一种会尽量返回所有可能构成的词汇，第二种就是按最优去切分
text = '我和小明一起去北京故宫博物馆玩' import jieba wordlist = jieba.cut(text, cut_all=True) word_space_split = " ".join(wordlist) print(word_space_split) #我 和 小 明 一起 去 北京 北京故宫 故宫 博物 博物馆 玩 wordlist = jieba.cut(text, cut_all=False) word_space_split = " ".join(wordlist) print(word_space_split) #我 和 小明 一起 去 北京故宫 博物馆 玩
- 如果想只要长度大于2的词
words = [x for x in jieba.cut(text) if len(x) >= 2] #['小明', '一起', '北京故宫', '博物馆']
- 分词时也可以同时标注词性
import jieba.posseg as psg print([(x.word,x.flag) for x in psg.cut(text)]) #[('我', 'r'), ('和', 'c'), ('小明', 'n'), ('一起', 'm'), ('去', 'v'), ('北京故宫', 'ns'), ('博物馆', 'n'), ('玩', 'v')]
- 如果文本中有专有名词，也可以使用自己的字典
user_dict.txt 格式为每行是一个词，依次为词名，词频，词性jieba.load_userdict('user_dict.txt') print(' '.join(jieba.cut(text)))
或者是直接加入词汇
或者jieba.add_word('小明')print('/'.join(jieba.cut('我和小明', HMM=False))) print(jieba.suggest_freq('我和', True)) print('/'.join(jieba.cut('我和小明', HMM=False))) print(jieba.suggest_freq(('我','和'), True)) print('/'.join(jieba.cut('我和小明', HMM=False))) #我/和/小/明 #3041 #我和/小/明 #3040 #我/和/小/明
- 取频率最高的5个词
from collections import Counter c = Counter(text).most_common(5) - 并行计算
#打开，num为进程参数 jieba.enable_parallel(num) #关闭 jieba.disable_parallel()
- 结巴词性表
形容词(1个一类，4个二类)
a 形容词
ad 副形词
an 名形词
ag 形容词性语素
al 形容词性惯用语
区别词(1个一类，2个二类)
b 区别词
bl 区别词性惯用语
连词(1个一类，1个二类)
c 连词
cc 并列连词
副词(1个一类)
d 副词
叹词(1个一类)
e 叹词
方位词(1个一类)
f 方位词
前缀(1个一类)
h 前缀
后缀(1个一类)
k 后缀
数词(1个一类，1个二类)
m 数词
mq 数量词
名词 (1个一类，7个二类，5个三类)
名词分为以下子类：
n 名词
nr 人名
nr1 汉语姓氏
nr2 汉语名字
nrj 日语人名
nrf 音译人名
ns 地名
nsf 音译地名
nt 机构团体名
nz 其它专名
nl 名词性惯用语
ng 名词性语素
拟声词(1个一类)
o 拟声词
介词(1个一类，2个二类)
p 介词
pba 介词“把”
pbei 介词“被”
量词(1个一类，2个二类)
q 量词
qv 动量词
qt 时量词
代词(1个一类，4个二类，6个三类)
r 代词
rr 人称代词
rz 指示代词
rzt 时间指示代词
rzs 处所指示代词
rzv 谓词性指示代词
ry 疑问代词
ryt 时间疑问代词
rys 处所疑问代词
ryv 谓词性疑问代词
rg 代词性语素
处所词(1个一类)
s 处所词
时间词(1个一类，1个二类)
t 时间词
tg 时间词性语素
助词(1个一类，15个二类)
u 助词
uzhe 着
ule 了 喽
uguo 过
ude1 的 底
ude2 地
ude3 得
usuo 所
udeng 等 等等 云云
uyy 一样 一般 似的 般
udh 的话
uls 来讲 来说 而言 说来
uzhi 之
ulian 连 （“连小学生都会”）
动词(1个一类，9个二类)
v 动词
vd 副动词
vn 名动词
vshi 动词“是”
vyou 动词“有”
vf 趋向动词
vx 形式动词
vi 不及物动词（内动词）
vl 动词性惯用语
vg 动词性语素
标点符号(1个一类，16个二类)
w 标点符号
wkz 左括号，全角：（ 〔 ［ ｛ 《 【 〖 〈 半角：( [ { <
wky 右括号，全角：） 〕 ］ ｝ 》 】 〗 〉 半角： ) ] { >
wyz 左引号，全角：“ ‘ 『
wyy 右引号，全角：” ’ 』
wj 句号，全角：。
ww 问号，全角：？ 半角：?
wt 叹号，全角：！ 半角：!
wd 逗号，全角：， 半角：,
wf 分号，全角：； 半角： ;
wn 顿号，全角：、
wm 冒号，全角：： 半角： :
ws 省略号，全角：…… …
wp 破折号，全角：—— －－ ——－ 半角：--- ----
wb 百分号千分号，全角：％ ‰ 半角：%
wh 单位符号，全角：￥ ＄ ￡ ° ℃ 半角：$
字符串(1个一类，2个二类)
x 字符串
xx 非语素字
xu 网址URL
语气词(1个一类)
y 语气词(delete yg)
状态词(1个一类)
z 状态词
- Reference:
https://www.cnblogs.com/jiayongji/p/7119065.html
github上jieba文档