统计一个文件中出现次数最高的10个词语,用来测试的例子是金庸小说,挑选其中一部小说,我挑的是天龙八部。在网上找了好久相关的开源项目,很多同学做这个都是用的C++,但是我想能不能做一点不一样的东西,自己先用JavaScript尝试了一下,发现做出来的demo又很多不完善的地方,只好又到网上查找社区已经开源出来的项目,最后找到了个Python的开源中文分词软件jieba,因为自己也有学习Python,所以就这个了。
里面分为两个部分,对于已收录的词语,分成两步,首先采用Trie树进行扫描,将句子中的词语构成有向无环图,接着采用动态规划算法查找最有可能的词语。对于为收录的词,则是Viterbi algorithm(一个动态规划算法),加上HMM模型(隐式马尔可夫模型)。
整个工程还是比较大,首先是读文件,整个压缩文件夹有8.9MB大小,包括15部小说,解压之后17.3MB,要分析的这部小说大小是2.5MB。里面有一个test的例子,可以对特定的文件做Top K搜索。代码如下
import sys
sys.path.append('../')
import jieba
import jieba.analyse
from optparse import OptionParser
USAGE = "usage: python extract_tags.py [file name] -k [top k]"
parser = OptionParser(USAGE)
parser.add_option("-k", dest="topK")
opt, args = parser.parse_args()
if len(args) < 1:
print USAGE
sys.exit(1)
file_name = args[0]
if opt.topK is None:
topK = 10
else:
topK = int(opt.topK)
content = open(file_name, 'rb').read()
tags = jieba.analyse.extract_tags(content, topK=topK)
print ",".join(tags)
接下来使用line_profile做性能分析,结果如下
这里对viterbi函数进行了测试,花的时间不多,速度很快。