结巴分词(自然语言处理之中文分词器)
jieba分词算法使用了基于前缀词典实现高效的词图扫描,生成句子中汉字所有可能生成词情况所构成的有向无环图(DAG), 再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,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。
jieba分词支持三种分词模式:
1. 精确模式, 试图将句子最精确地切开,适合文本分析:
2. 全模式,把句子中所有的可以成词的词语都扫描出来,速度非常快,但是不能解决歧义;
3. 搜索引擎模式,在精确模式的基础上,对长词再词切分,提高召回率,适合用于搜索引擎分词。
一 结巴分词的安装
pip3 install jieba
二 结巴分词的主要功能
1. jieba.cut:该方法接受三个输入参数: 参数1:需要分词的字符串; 参数2:cut_all参数用来控制是否采用全模式,默认为精确模式; cut_all=True 全模式 cut_all=false 精确(默认)模式 参数3:HMM参数用来控制是否适用HMM模型
2. jieba.cut_for_search:该方法接受两个参数: 参数1:需要分词的字符串; 参数2:是否使用HMM模型, 该方法适用于搜索引擎构建倒排索引的分词,粒度比较细。
3. jieba.cut 以及jieba.cut_for_search 返回的结构都是可以得到的generator(生成器)
4. jieb.lcut 以及 jieba.lcut_for_search 直接返回list
5.jieba.Tokenizer(dictionary=DEFUALT_DICT) 新建自定义分词器, 可用于同时使用不同字典, jieba.dt为默认分词器,所有全局分词相关函数都是该分词器的映射。
三 结巴分词的三种模式
import jieba text='赵丽颖主演的正午阳光剧,知否知否应是绿肥红瘦'
1 全模式 cut_all=True
seq_list=jieba.cut(text,cut_all=True) print(seq_list) #<generator object Tokenizer.cut at 0x0000026EB6F0CD58> print(list(seq_list)) ''' ['赵', '丽', '颖', '主演', '的', '正午', '阳光', '剧', '', '', '知', '否', '知', '否', '应', '是', '绿肥', '绿肥红瘦'] '''
2 精确模式 (默认模式) cut_all =False
# 02精确模式 seq_list=jieba.cut(text,cut_all=False) print(list(seq_list)) ''' ['赵丽颖', '主演', '的', '正午', '阳光', '剧', ',', '知否', '知否', '应', '是', '绿肥红瘦'] '''
3 搜索引擎模式 cut_for_search
seq_list=jieba.cut_for_search(text,) print(list(seq_list)) ''' ['赵丽颖', '主演', '的', '正午', '阳光', '剧', ',', '知否', '知否', '应', '是', '绿肥', '绿肥红瘦'] '''
四 自定义分词器(jieba.Tokenizer)
1 创建词典内容的格式
一个词语占一行(分三部分) 格式: 词语 词频 词性 如:张三 5 李四 10 eng
2 自定义词典的导入(load_userdict)
text='赵丽颖主演的正午阳光剧,知否知否应是绿肥红瘦'
# 自定义词典 jieba.load_userdict('自定义词典.txt') sep_list=jieba.lcut(text) print('userdict>>>',sep_list)
userdict>>> ['赵丽颖', '主演', '的', '正午', '阳光剧', ',', '知否', '知否', '应是', '绿肥红瘦']
五 利用jieba 进行关键词的抽取
1 基于TF-IDF算法的关键词抽取
2 python 实现关键提取
jieba.analyse.extract_tags(text,topK=20,withWeight=False,allowPOS=()) ''' text:为待提取的文本; topK:返回几个TF/IDF权重最大的关键字,默认值为20; withWeight:是否一并返回关键词权重值,默认False; ''' jieba.analyse.TFIDF(idf_path=None) #新建tf-idf实例,idf_path为IDF实例
五 使用结巴的词云实例
1 数据准备
文档:
死了都要爱.txt
dream ispossible.txt
图片:(红心.jpg)
# 数据获取 with open('死了都要爱.txt','r',encoding='utf8')as f: text=f.read() # with open('dream is possible.txt','r',encoding='utf8')as f: # text=f.read() #图片获取 mask=np.array(Image.open('红心.jpg'))
2 数据清洗
屏蔽不需要的数据和分词
# 数据清洗 # 屏蔽死了都要爱 STOPWORDS.add('死了都要爱')
sep_list=jieba.lcut(text,cut_all=False) sep_list=" ".join(sep_list) #转为字符串
自定义画布
wc=WordCloud( font_path=font,#使用的字体库 margin=2, mask=mask,#背景图片 background_color='white', #背景颜色 max_font_size=25, max_words=200, stopwords=STOPWORDS, #屏蔽的内容 )
生成词语,保存图片
wc.generate(text) #制作词云 wc.to_file('新增图片.jpg') #保存到当地文件
3 数据展示
plt.imshow(wc,interpolation='bilinear') plt.axis('off') plt.show()
完整代码和效果展示
from wordcloud import WordCloud import matplotlib.pyplot as plt import numpy as np from PIL import Image import jieba # 数据获取 with open('死了都要爱.txt','r',encoding='utf8')as f: text=f.read() # with open('dream is possible.txt','r',encoding='utf8')as f: # text=f.read() #图片获取 mask=np.array(Image.open('关羽.jpg')) # 数据清洗 # 屏蔽死了都要爱 # STOPWORDS.add('死了都要爱') font=r'C:\Windows\Fonts\simhei.ttf' sep_list=jieba.lcut(text,cut_all=False) sep_list=" ".join(sep_list) wc=WordCloud( font_path=font,#使用的字体库 margin=2, mask=mask,#背景图片 background_color='white', #背景颜色 max_font_size=200, # min_font_size=1, max_words=200, # stopwords=STOPWORDS, #屏蔽的内容 ) wc.generate(sep_list) #制作词云 wc.to_file('关羽新增.jpg') #保存到当地文件 # 图片展示 plt.imshow(wc,interpolation='bilinear') plt.axis('off') plt.show()
图片一(未分词):
图片二(分词效果)