Python使用jieba分词处理语料

前言：在中文分词中，结巴分词可以算是十分优秀的分词工具之一了，所以这次我就用jieba分词来处理语料，以便为我的词向量做增量更新

结巴分词的GitHub地址

准备

可以使用 Pip install jieba 来安装结巴分词库

先贴几个结巴分词常用的方法：

# encoding=utf-8
import jieba

seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list))  # 全模式

seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))  # 精确模式

seg_list = jieba.cut("他来到了网易杭研大厦")  # 默认是精确模式
print(", ".join(seg_list))

seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造")  # 搜索引擎模式
print(", ".join(seg_list))

输出:

【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

【新词识别】：他, 来到, 了, 网易, 杭研, 大厦    (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)

【搜索引擎模式】： 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造

其他的方法可自行参考结巴GitHub上的例子，很简单，很容易学会。

正文

我使用的是结巴的精确模式，为了去掉语料中的数字我加了一个判断数字的方法。
其中corpus.txt文件是需要分词的语料，curpus_t.txt是分完词的语料，需要先自己创建一个文件
停用词可以去GitHub上下一个，在这里我就不提供了

import jieba

#判断是否为数字
def is_number(s):
    try:
        float(s)
        return True
    except ValueError:
        pass
    try:
        import unicodedata
        unicodedata.numeric(s)
        return True
    except (TypeError, ValueError):
        pass

    return False
# 创建停用词list
def stopwordslist(filepath):
    stopwords = [line.strip() for line in open(filepath, 'r', encoding='utf-8').readlines()]
    return stopwords

# 对句子进行分词
def cut_sentence(sentence):
    sentence = jieba.cut(sentence,cut_all=False)    # 精确模式
    stopwords = stopwordslist('stop_word.txt')  # 这里加载停用词的路径
    outstr = ''
    # 去除停用词，逐个加词
    for w in sentence:
        if (w not in stopwords) and ('.' not in w) and (' ' not in w) and (not is_number(w)):
            outstr += w
            outstr += ' '
    print(outstr)
    return outstr

# 执行主方法
if __name__ == '__main__':
    f = open("corpus.txt",encoding='UTF-8')
    line = f.readline()
    f2 = open("curpus_t.txt",'w',encoding='UTF-8')
    while line:
        cut_s = cut_sentence(line)
        f2.write(cut_s)
        line = f.readline()
    f.close()
    print("分词完毕")

下面这个是未分词的语料：

下面是分词的语料结果：

整体效果还是不错的