jieba分词、自定义词典提取高频词、词性标注及获取词的位置
准备工作
安装anaconda环境，anaconda环境是一个强大的科学计算环境，自带python2.7和3.4两个版本以及很多科学计算库
安装完成后配置环境变量，然后在终端用pip install jieba安装结巴分词库
jieba介绍
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
算法
- 基于Trie树结构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
jieba使用
分词代码
我的工程中的代码：
#encoding=utf-8
import jieba
from astropy.table.np_utils import join
import os
import sys
f=open(u"爽肤水评论.txt")
line= f.readline()
f2=file(u"分词后的爽肤水评论.txt","w+")
while line:
seg_list = jieba.cut(line,cut_all=False)
seg_list = " ".join(seg_list)
seg_list.encode("utf8")
seg_list.decode("utf8")
f2.write(seg_list)
f2.write("\n")
line=f.readline()
f2.close()
f.close()
print "end"我在工程中通过这段代码进行分词，按行读入每条评论，进行分词，然后按行写入新的txt中。
测试代码：
#encoding=utf-8
import jieba
from astropy.table.np_utils import join
import os
import sys
seg_list = jieba.cut("工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作",cut_all=False)
seg_list = " ".join(seg_list)
print seg_list运行结果：
Building prefix dict from the default dictionary ...
Loading model from cache c:\users\user\appdata\local\temp\jieba.cache
Loading model cost 0.334 seconds.
Prefix dict has been built succesfully.
工信处 女干事 每月 经过 下属 科室 都 要 亲口 交代 24 口 交换机 等 技术性 器件 的 安装 工作有没有很强大？
解析代码：
jieba.cut(text,cut_all=False)jieba.cut方法有两个参数，第一个参数是要分词的String，第二个参数控制是否为全模式切分，True表示全模式。
当然也可以
jieba.cut(text)默认为精确模式
全模式和精确模式的效果：
【原句】:我来到北京清华大学
【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
【精确模式】: 我/ 来到/ 北京/ 清华大学自定义词典添加
用法：
jieba.load_userdict(file_name) file_name为自定义词典的路径
词典格式和dict.txt一样，一个词占一行；每一行分三部分，一部分为词语，
另一部分为词频，最后为词性（可省略），用空格隔开
按TF-IDF提取关键词
import jieba.analyse
result=jieba.analyse.extract_tags(sentence,topK) 方法：jieba.analyse.extract_tags(sentence,topK) 有两个参数，第一个为要提取的文本，第二个为要获取的按tf-idf排序的词的个数
词性标注
#encoding=utf-8
import jieba.posseg as pseg
words =pseg.cut("我爱北京天安门")
for w in words:
print w.word,w.flag
----------------------------
运行结果：
我 r
爱 v
北京 ns
天安门 ns其他
并行分词、获取一个词的位置信息。。。今后遇到再分析