使用python進行漢語分詞

目前我常常使用的分詞有結巴分詞、NLPIR分詞等等

最近是在使用結巴分詞，稍微做一下推薦，還是蠻好用的。

一、結巴分詞簡介

利用結巴分詞進行中文分詞，基本實現原理有三：

基于Trie樹結構實現高效的詞圖掃描，生成句子中漢字所有可能成詞情況所構成的有向無環圖（DAG)

采用了動態規劃查找最大概率路徑, 找出基于詞頻的最大切分組合

對于未登錄詞，采用了基于漢字成詞能力的HMM模型，使用了Viterbi算法

二、安裝及使用（Linux）

1.下載工具包，解壓后進入目錄下，運行：python setup.py install

Hint：a.一個良好的習慣是，對于下載下來的軟件，先看readme ，再進行操作。（沒有閱讀readme，直接嘗試+百度，會走很多彎路）；

  b.當時運行安裝命令時，出現錯誤：no permission！  （有些人可能會遇見這種問題，這是因為權限不夠的。 執行：sudo !!   其中“!!”表示上一條命令，這里指的就是上面的安裝命令），使用sudo后便可正常運行。

2.在使用結巴做分詞的時候，一定會用的函數是：jieba.cut（arg1，arg2）；這是用于分詞的函數，我們只需要了解以下三點，便可使用

a.cut方法接受兩個輸入參數：第一個參數（arg1）為需要進行分詞的字符串，arg2參數用來控制分詞模式。

分詞模式分為兩類：默認模式，試圖將句子最精確地切開，適合文本分析;全模式，把句子中所有的可以成詞的詞語都掃描出來，適合搜索引擎

 　　b.待分詞的字符串可以是gbk字符串、utf-8字符串或者unicode

使用Python的人要注意編碼問題，Python是基于ASCII碼來處理字符的，當出現不屬于ASCII的字符時（比如在代碼中使用漢字），會出現錯誤信息：“ASCII codec can't encode character”，解決方案是在文件頂部加入語句： #! -*- coding:utf-8 -*-  來告訴Python的編譯器：“我這個文件是用utf-8進行編碼的，你要進行解碼的時候，請用utf-8”。（這里記住，這個命令一定要加在文件的最頂部，如果不在最頂部，編碼問題就依然存在，得不到解決）關于編碼的轉換，可以參考博文（ps：個人理解“import sys    reload(sys)   sys.setdefaultencoding('utf-8')”這幾句話與“#! -*- coding:utf-8 -*- ”等價）

 　  c.jieba.cut返回的結構是一個可迭代的generator，可以使用for循環來獲得分詞后得到的每一個詞語(unicode)，也可以用list(jieba.cut(...))轉化為list  

3.以下舉例jieba中提供的一個使用方法作為說明：

#! -*- coding:utf-8 -*-
import jieba
seg_list = jieba.cut("我來到北京清華大學", cut_all = True)
print "Full Mode:", ' '.join(seg_list)
 
seg_list = jieba.cut("我來到北京清華大學")
print "Default Mode:", ' '.join(seg_list)

輸出結果為：

Full Mode: 我/ 來/ 來到/ 到/ 北/ 北京/ 京/ 清/ 清華/ 清華大學/ 華/ 華大/ 大/ 大學/ 學  
Default Mode: 我/ 來到/ 北京/ 清華大學

三、結巴中文分詞的其他功能

1、添加或管理自定義詞典

結巴的所有字典內容存放在dict.txt，你可以不斷的完善dict.txt中的內容。

2、關鍵詞抽取

通過計算分詞后的關鍵詞的TF/IDF權重，來抽取重點關鍵詞。