版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/zyq11223/article/details/90201241
中文文本的预处理过程有以下几个步骤:
- 使用结巴分词,对中文句子进行切分。
- 去除停用词。(推荐使用 dongxiexidian/Chinese 这一份停用词词表,收录的比较齐全。)
- 去除空格、换行符、标点符号等特定字符。
- 词频统计
- 按照词频进行排序,打印结果
jieba“结巴”中文分词
特点
支持三种分词模式:
- 精确模式,试图将句子最精确地切开,适合文本分析;
- 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;
- 搜索引擎模式,在精确模式的基础上,对长词再次切分,提高召回率,适合用于搜索引擎分词。
- 支持繁体分词
- 支持自定义词典
- MIT 授权协议
算法
- 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成词情况所构成的有向无环图 (DAG)
- 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
主要功能
分词
- 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。
分词之后进行词频统计:
def get_words(txt):
//分词
seg_list = jieba.cut(txt)
//统计词频
c = Counter()
for x in seg_list:
if len(x)>1 and x != '\r\n':
c[x] += 1
print('词频统计结果')
for (k,v) in c.most_common(100):
print('%s%s %s %d' % (' '*(5-len(k)), k, '*'*int(v/3), v))
函数功能主要为调用简单的jiaba分词(stripdata函数)并进行停用词去除(stripword函数)
main函数为creat(),可修改为if name ==’main’: 进行调用。
import jieba
#分词
def stripdata(Test):
# jieba 默认启用了HMM(隐马尔科夫模型)进行中文分词
seg_list = jieba.cut(Test,cut_all=True) # 分词
#获取字典,去除停用词
line = "/".join(seg_list)
word = stripword(line)
#print(line)
#列出关键字
print("\n关键字:\n"+word)
#停用词分析
def stripword(seg):
#打开写入关键词的文件
keyword = open('key_word.txt', 'w+', encoding='utf-8')
print("去停用词:\n")
wordlist = []
#获取停用词表
stop = open('stopword.txt', 'r+', encoding='utf-8')
stopword = stop.read().split("\n")
#遍历分词表
for key in seg.split('/'):
#print(key)
#去除停用词,去除单字,去除重复词
if not(key.strip() in stopword) and (len(key.strip()) > 1) and not(key.strip() in wordlist) :
wordlist.append(key)
print(key)
keyword.write(key+"\n")
#停用词去除END
stop.close()
keyword.close()
return '/'.join(wordlist)
def creat():
Rawdata = open('raw.txt','r+',encoding='utf-8')
text = Rawdata.read()
#调用分词
stripdata(text)
#END
Rawdata.close()