jieba分词处理

　　分词是一种数学上的应用，他可以直接根据词语之间的数学关系进行文字或者单词的抽象，比如，讲一句话“我来自地球上中国”进行单词分割，我们可能会得到如下的内容：“我”、“来自”、“地球上”、“中国”，这些就相当于是分词的概念，在我们搜索引擎开发的过程中，是必须要要使用到分词的概念的。

---

 jieba简介

　　jieba是一个在中文自然语言处理过程中使用最多的工具包之一，目前能够实现包括分词、词性标注以及命名实体识别等多种功能，一般的，jieba为我们提供了以下三种分词模式：

　　· 精确模式：将句子进行最精确的切分，分词速度相对较低，但是分词准确。

　　· 全模式：基于此会列表，能够将所有的可以分词的词语都扫描出来，分词速度非常快，凡是不能解决歧义性。

　　· 搜索引擎模式：在精确模式的基础上，对长词进行在切分，适合在搜索引擎中进行监理索引进行的分词。

　　常用的方法有：

　　 · `jieba.cut` 方法接受三个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用 HMM 模型

　　·  `jieba.cut_for_search` 方法接受两个参数：需要分词的字符串；是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细

　　·  待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8

　　·  `jieba.cut` 以及 `jieba.cut_for_search` 返回的结构都是一个可迭代的 generator，可以使用 for 循环来获得分词后得到的每一个词语(unicode)，或者用 `jieba.lcut` 以及 `jieba.lcut_for_search` 直接返回 list

　　·  `jieba.Tokenizer(dictionary=DEFAULT_DICT)` 新建自定义分词器，可用于同时使用不同词典。`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。

'''
@Description: jieba分词练习
@Version: 1.0
@Autor: Montoin Yan
@Date: 2020-02-09 20:46:28
@LastEditors  : Montoin Yan
@LastEditTime : 2020-02-09 20:55:40
'''
# encoding=utf-8
import jieba

result_list = jieba.cut("我是中国青年团团员", cut_all=True)
print("全模式: " + ",".join(result_list)) # 全模式

result_list = jieba.cut("我是中国青年团团员")
print("精准模式: " + ", ".join(result_list)) # 精确模式

result_list = jieba.cut_for_search("我是一个学生，我热爱编程，并且我想成为一个好的IT工作者") # 搜索引擎模式
print("搜索引擎模式：" + ", ".join(result_list))

　　结果如下所示：

---

 jieba安装

　　可以通过镜像网站进行安装：

　　win+r打开cmd，使用  pip install jieba -i https://pypi.douban.com/simple/  进行安装，如果显示连接超时，则在编译器终端进行下载即可。

---

 jieba实例

　　下面这个例子进行了jeiba分词完整的分词操作

'''
@Description: jieba分词处理
@Version: 1.0
@Autor: Montoin Yan
@Date: 2020-02-09 19:26:13
@LastEditors  : Montoin Yan
@LastEditTime : 2020-02-09 20:21:44
'''

import os,jieba 

PATH = "jieba_demo/文章.txt" #定义读取路径

def main():
    results = {} #保存最终的读取结果，以字典形式进行存储
    with open(file=PATH,mode="r",encoding="UTF-8") as file:
        data = file.readline() #按照单行进行文件读取
        # print(data)
        while data: #如果读到数据
            words = jieba.cut(data,cut_all=False) #对数据进行分词，不采用全模式，进行精确分词
            for word in words:
                if len(word) == 1:
                    continue
                else:
                    results[word] = results.get(word,0) + 1 #将多有读取到的词放到字典中，如果没有，默认值为0
            data = file.readline() #继续读取
    items = list(results.items()) #取出全部的内容
    items.sort(key=lambda x: x[1],reverse=True) #降序排列
    # print(items)
    for i in items:
        print("%s:%s" % (i[0],i[1]))


if __name__ == "__main__":
    main()

　　分词结果如下：