二、安裝及使用(Linux)

1.下載工具包，解壓后進(jìn)入目錄下，運(yùn)行：pythonsetup.pyinstall

Hint：a.一個(gè)良好的習(xí)慣是，對(duì)于下載下來的軟件，先看readme，再進(jìn)行操作。(沒有閱讀readme，直接嘗試+百度，會(huì)走很多彎路);

b.當(dāng)時(shí)運(yùn)行安裝命令時(shí)，出現(xiàn)錯(cuò)誤：nopermission!(有些人可能會(huì)遇見這種問題，這是因?yàn)闄?quán)限不夠的。執(zhí)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(yùn)行。

2.在使用結(jié)巴做分詞的時(shí)候，一定會(huì)用的函數(shù)是：jieba.cut(arg1，arg2);這是用于分詞的函數(shù)，我們只需要了解以下三點(diǎn)，便可使用

a.cut方法接受兩個(gè)輸入?yún)?shù)：第一個(gè)參數(shù)(arg1)為需要進(jìn)行分詞的字符串，arg2參數(shù)用來控制分詞模式。

分詞模式分為兩類：默認(rèn)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(yǔ)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(dāng)出現(xiàn)不屬于ASCII的字符時(shí)(比如在代碼中使用漢字)，會(huì)出現(xiàn)錯(cuò)誤信息：“ASCIIcodeccan'tencodecharacter”，解決方案是在文件頂部加入語(yǔ)句：#!-*-coding:utf-8-*-來告訴Python的編譯器：“我這個(gè)文件是用utf-8進(jìn)行編碼的，你要進(jìn)行解碼的時(shí)候，請(qǐng)用utf-8”。(這里記住，這個(gè)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(guān)于編碼的轉(zhuǎn)換，可以參考博文(ps：個(gè)人理解“importsysreload(sys)sys.setdefaultencoding('utf-8')”這幾句話與“#!-*-coding:utf-8-*-”等價(jià))

c.jieba.cut返回的結(jié)構(gòu)是一個(gè)可迭代的generator，可以使用for循環(huán)來獲得分詞后得到的每一個(gè)詞語(yǔ)(unicode)，也可以用list(jieba.cut(...))轉(zhuǎn)化為list

3.以下舉例jieba中提供的一個(gè)使用方法作為說明：

#!-*-coding:utf-8-*-

importjieba

seg_list=jieba.cut("我來到北京清華大學(xué)",cut_all=True)

print"FullMode:",''.join(seg_list)

seg_list=jieba.cut("我來到北京清華大學(xué)")

print"DefaultMode:",''.join(seg_list)

輸出結(jié)果為：

FullMode:我/來/來到/到/北/北京/京/清/清華/清華大學(xué)/華/華大/大/大學(xué)/學(xué)

DefaultMode:我/來到/北京/清華大學(xué)

三、結(jié)巴中文分詞的其他功能

1、添加或管理自定義詞典

結(jié)巴的所有字典內(nèi)容存放在dict.txt，你可以不斷的完善dict.txt中的內(nèi)容。

2、關(guān)鍵詞抽取

通過計(jì)算分詞后的關(guān)鍵詞的TF/IDF權(quán)重，來抽取重點(diǎn)關(guān)鍵詞。

以上內(nèi)容為大家介紹了使用python進(jìn)行漢語(yǔ)分詞，希望對(duì)大家有所幫助，如果想要了解更多Python相關(guān)知識(shí)，請(qǐng)關(guān)注IT培訓(xùn)機(jī)構(gòu):千鋒教育。http://www.jsszjs.cn/