Python文本分析

字符串操作

# 去空格以及特殊符号
s = ' hello, world!'
print(s.strip())	# hello, world!
print(s.rstrip('!'))	#  hello, world

# 查找字符( <0 为未找到)
str1 = 'hello'
str2 = 'e'
str3 = 'he'
print(str1.index(str2))	# 1
print(str1.find(str3))

正则表达式

测试网站
练习网站

Python案例

使用re的一般步骤是：

1. 将正则表达式的字符串形式编译为Pattern实例
2. 使用Pattern实例处理文本并获得匹配结果（一个Match实例）
3. 使用Match实例获得信息，进行其他的操作。

# encoding: UTF-8
import re
 
# 将正则表达式编译成Pattern对象
pattern = re.compile(r'hello.*\!')	# 匹配hello开头直到！结尾
 
# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
match = pattern.match('hello, python! How are you?')
 
if match:
    # 使用Match获得分组信息
    print(match.group())
hello, python!

re.compile(strPattern[, flag]):
这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。
第二个参数flag是匹配模式，取值可以使用按位或运算符’|'表示同时生效，比如re.I | re.M。
当然，你也可以在regex字符串中指定模式，比如re.compile(‘pattern’, re.I | re.M)等价于re.compile(’(?im)pattern’)
flag可选值有：

• re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
• re.M(MULTILINE): 多行模式，改变’^‘和’$'的行为（参见上图）
• re.S(DOTALL): 点任意匹配模式，改变’.'的行为
• re.L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
• re.U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
• re.X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：

regex_1 = re.compile(r"""\d +  # 数字部分
                         \.    # 小数点部分
                         \d *  # 小数的数字部分""", re.X)
regex_2 = re.compile(r"\d+\.\d*")

Match
Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。
match属性：

• string: 匹配时使用的文本。
• re: 匹配时使用的Pattern对象。
• pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
• endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
• lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
• lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

方法：

• group([group1, …]):
  获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串
• groups([default]):
  以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
• groupdict([default]):
  返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
• start([group]):
  返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
• end([group]):
  返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
• span([group]):
  返回(start(group), end(group))。
• expand(template):
  将匹配到的分组代入template中然后返回。template中可以使用\id或\g、\g引用分组，但不能使用编号0。\id与\g是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符’0’，只能使用\g<1>0。

Pattern
Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。
Pattern不能直接实例化，必须使用re.compile()进行构造。
Pattern提供了几个可读属性用于获取表达式的相关信息：

• pattern: 编译时用的表达式字符串。
• flags: 编译时用的匹配模式。数字形式。
• groups: 表达式中分组的数量。
• groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。

使用pattern

• match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
  这个方法将从string的pos下标处起尝试匹配pattern:
  • 如果pattern结束时仍可匹配，则返回一个Match对象
  • 如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。
  • pos和endpos的默认值分别为0和len(string)。
    注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符’$’。
• search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
  这个方法从string的pos下标处起尝试匹配pattern
  • 如果pattern结束时仍可匹配，则返回一个Match对象
  • 若无法匹配，则将pos加1后重新尝试匹配，直到pos=endpos时仍无法匹配则返回None。
  • pos和endpos的默认值分别为0和len(string))

# encoding: UTF-8 
import re 
 
# 将正则表达式编译成Pattern对象 
pattern = re.compile(r'H.*n') 	# .* 表示往后匹配任意字符，直到出现g
 
# 使用search()查找匹配的子串，不存在能匹配的子串时将返回None 
# 这个例子中使用match()无法成功匹配 
match = pattern.search('Hello python!') 
 
if match: 
    # 使用Match获得分组信息 
    print(match.group())
Hello python

• split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
  • 按照能够匹配的子串将string分割后返回列表。
  • maxsplit用于指定最大分割次数，不指定将全部分割。

import re
 
p = re.compile(r'\d+')
print(p.split('one1two2three3four4'))
['one', 'two', 'three', 'four', '']

• findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
  • 搜索string，以列表形式返回全部能匹配的子串。

import re
 
p = re.compile(r'\d+')
print(p.findall('one1two2three3four4'))
['1', '2', '3', '4']

• finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
  • 搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。

import re
 
p = re.compile(r'\d+')
for m in p.finditer('one1two2three3four4'):
    print(m.group())
1
2
3
4

• sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
  • 使用repl替换string中每一个匹配的子串后返回替换后的字符串。
  • 当repl是一个字符串时，可以使用\id或\g、\g引用分组，但不能使用编号0。
  • 当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。 count用于指定最多替换次数，不指定时全部替换。

import re
 
p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello python!'
 
print(p.sub(r'\2 \1', s))	# say i, python hello!
 
def func(m):
    return(m.group(1).title() + ' ' + m.group(2).title())
 
print(p.sub(func, s))	# I Say, Hello Python!

• subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
  • 返回 (sub(repl, string[, count]), 替换次数)。

import re
 
p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello python!'
 
print(p.subn(r'\2 \1', s))	# ('say i, python hello!', 2)
 
def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
 
print(p.subn(func, s))	# ('I Say, Hello Python!', 2)

jieba中文处理

1.基本分词函数与用法
jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator，可以使用 for 循环来获得分词后得到的每一个词语(unicode)
jieba.cut 方法接受三个输入参数：

• 需要分词的字符串
• cut_all 参数用来控制是否采用全模式
• HMM 参数用来控制是否使用 HMM（隐马尔科夫） 模型

jieba.cut_for_search 方法接受两个参数：

• 需要分词的字符串
• 是否使用 HMM 模型。
  该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细

# encoding=utf-8
import jieba

seg_list = jieba.cut("我在学习自然语言处理", cut_all=True)
print(seg_list)
print("Full Mode: " + "/ ".join(seg_list))  # 全模式（有重复）
Full Mode: 我/ 在/ 学习/ 自然/ 自然语言/ 语言/ 处理

seg_list = jieba.cut("我在学习自然语言处理", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))  # 精确模式
Default Mode: 我/ 在/ 学习/ 自然语言/ 处理

seg_list = jieba.cut("他毕业于上海交通大学，在百度深度学习研究院进行研究")  # 默认是精确模式
print(", ".join(seg_list))
他/毕业/于/上海交通大学/，/在/百度/深度/学习/研究院/进行/研究

seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")  # 搜索引擎模式
print(", ".join(seg_list))
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/哈佛/大学/哈佛大学/深造

jieba.lcut以及jieba.lcut_for_search直接返回 list

result_lcut = jieba.lcut("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")
print(result_lcut)
['小明', '硕士', '毕业', '于', '中国科学院', '计算所', '，', '后', '在', '哈佛大学', '深造']

print("/".join(result_lcut))
小明/硕士/毕业/于/中国科学院/计算所/，/后/在/哈佛大学/深造

print("/".join(jieba.lcut_for_search("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")))
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/哈佛/大学/哈佛大学/深造

添加用户自定义词典
很多时候我们需要针对自己的场景进行分词，会有一些领域内的专有词汇。

• 1.可以用jieba.load_userdict(file_name)加载用户字典
• 2.少量的词汇可以自己用下面方法手动添加：
  • 用 add_word(word, freq=None, tag=None) 和 del_word(word) 在程序中动态修改词典
  • 用 suggest_freq(segment, tune=True) 可调节单个词语的词频，使其能（或不能）被分出来。

print('/'.join(jieba.cut('如果放到旧字典中将出错。', HMM=False)))
如果/放到/旧/字典/中将/出错/。

jieba.suggest_freq(('中', '将'), True)
jieba.add_word('旧字典')
print('/'.join(jieba.cut('如果放到旧字典中将出错。', HMM=False)))
如果/放到/旧字典/中/将/出错/。

关键词提取

基于 TF-IDF 算法的关键词抽取
import jieba.analyse

• jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
  • sentence 为待提取的文本
  • topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20
  • withWeight 为是否一并返回关键词权重值，默认值为 False
  • allowPOS 仅包括指定词性的词，默认值为空，即不筛选

import jieba.analyse as analyse

lines = open('NBA.txt', 'rb').read()
print("  ".join(analyse.extract_tags(lines, topK=20, withWeight=False, allowPOS=())))
韦少  杜兰特  全明星  全明星赛  MVP  威少  正赛  科尔  投篮  勇士  球员  斯布鲁克  更衣柜  NBA  三连庄  张卫平  西部  指导  雷霆  明星队

lines = open(u'西游记.txt', 'rb').read()
print("  ".join(analyse.extract_tags(lines, topK=20, withWeight=False, allowPOS=())))
行者  八戒  师父  三藏  唐僧  大圣  沙僧  妖精  菩萨  和尚  那怪  那里  长老  呆子  徒弟  怎么  不知  老孙  国王  一个

关于TF-IDF 算法的关键词抽取补充

• 关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径
  • 用法： jieba.analyse.set_idf_path(file_name) # file_name为自定义语料库的路径
    自定义语料库示例见这里
    用法示例见这里
  • 关键词提取所使用停止词（Stop Words）文本语料库可以切换成自定义语料库的路径
    用法： jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径
    自定义语料库示例见这里
    用法示例见这里
• 关键词一并返回关键词权重值示例
  用法示例见这里

基于 TextRank 算法的关键词抽取

• jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=(‘ns’, ‘n’, ‘vn’, ‘v’)) 直接使用，接口相同，注意默认过滤词性。
• jieba.analyse.TextRank() 新建自定义 TextRank 实例

算法论文： TextRank: Bringing Order into Texts

基本思想:

• 将待抽取关键词的文本进行分词
• 以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图
• 计算图中节点的PageRank，注意是无向带权图

lines = open('NBA.txt', 'rb').read()
print("  ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))))
全明星赛  勇士  正赛  指导  对方  投篮  球员  没有  出现  时间  威少  认为  看来  结果  相隔  助攻  现场  三连庄  介绍  嘉宾

print("  ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=('ns', 'n'))))
勇士  正赛  全明星赛  指导  投篮  玩命  时间  对方  现场  结果  球员  嘉宾  时候  全队  主持人  照片  全程  目标  快船队  肥皂剧

词性标注

• jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器，tokenizer 参数可指定内部使用的 jieba.Tokenizer 分词器。jieba.posseg.dt 为默认词性标注分词器。
• 标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法。
• 具体的词性对照表参见计算所汉语词性标记集

import jieba.posseg as pseg
words = pseg.cut("我爱自然语言处理")
for word, flag in words:
    print('%s %s' % (word, flag))
我 r
爱 v
自然语言 l
处理 v    

并行分词

原理：将目标文本按行分隔后，把各行文本分配到多个 Python 进程并行分词，然后归并结果，从而获得分词速度的可观提升 基于 python 自带的 multiprocessing 模块，目前暂不支持 Windows
用法：

• jieba.enable_parallel(4) # 开启并行分词模式，参数为并行进程数
• jieba.disable_parallel() # 关闭并行分词模式

实验结果：在 4 核 3.4GHz Linux 机器上，对金庸全集进行精确分词，获得了 1MB/s 的速度，是单进程版的 3.3 倍。
注意：并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。

Tokenize：返回词语在原文的起止位置

注意，输入参数只接受 unicode

print "这是默认模式的tokenize"
result = jieba.tokenize(u'自然语言处理非常有用')
for tk in result:
    print("%s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

print "\n-----------我是神奇的分割线------------\n"

print "这是搜索模式的tokenize"
result = jieba.tokenize(u'自然语言处理非常有用', mode='search')
for tk in result:
    print("%s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
这是默认模式的tokenize
自然语言		 start: 0 		 end:4
Loading model cost 0.950 seconds.
处理		 start: 4 		 end:6
Prefix dict has been built successfully.
非常		 start: 6 		 end:8
有用		 start: 8 		 end:10

-----------我是神奇的分割线------------

这是搜索模式的tokenize
自然		 start: 0 		 end:2
语言		 start: 2 		 end:4
自然语言		 start: 0 		 end:4
处理		 start: 4 		 end:6
非常		 start: 6 		 end:8
有用		 start: 8 		 end:10    

ChineseAnalyzer for Whoosh 搜索引擎

from jieba.analyse import ChineseAnalyzer

# -*- coding: UTF-8 -*-
from __future__ import unicode_literals
import sys,os
sys.path.append("../")
from whoosh.index import create_in,open_dir
from whoosh.fields import *
from whoosh.qparser import QueryParser

analyzer = jieba.analyse.ChineseAnalyzer()
schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT(stored=True, analyzer=analyzer))
    
if not os.path.exists("tmp"):
    os.mkdir("tmp")

ix = create_in("tmp", schema) # for create new index
#ix = open_dir("tmp") # for read only
writer = ix.writer()

writer.add_document(
    title="document1",
    path="/a",
    content="This is the first document we’ve added!"
)

writer.add_document(
    title="document2",
    path="/b",
    content="The second one 你 中文测试中文 is even more interesting! 吃水果"
)

writer.add_document(
    title="document3",
    path="/c",
    content="买水果然后来世博园。"
)

writer.add_document(
    title="document4",
    path="/c",
    content="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"
)

writer.add_document(
    title="document4",
    path="/c",
    content="咱俩交换一下吧。"
)

writer.commit()
searcher = ix.searcher()
parser = QueryParser("content", schema=ix.schema)

for keyword in ("水果世博园","你","first","中文","交换机","交换"):
    print(keyword+"的结果为如下：")
    q = parser.parse(keyword)
    results = searcher.search(q)
    for hit in results:
        print(hit.highlights("content"))
    print("\n--------------我是神奇的分割线--------------\n")

for t in analyzer("我的好朋友是李明;我爱北京天安门;IBM和Microsoft; I have a dream. this is intetesting and interested me a lot"):
    print(t.text)

命令行分词

使用示例：python -m jieba news.txt > cut_result.txt
命令行选项（翻译）：
使用: python -m jieba [options] filename

结巴命令行界面。

固定参数:
filename 输入文件

可选参数:

• -h, --help 显示此帮助信息并退出

• -d [DELIM], --delimiter [DELIM]
  使用 DELIM 分隔词语，而不是用默认的’ / '。
  若不指定 DELIM，则使用一个空格分隔。

• -p [DELIM], --pos [DELIM]
  启用词性标注；如果指定 DELIM，词语和词性之间
  用它分隔，否则用 _ 分隔

• -D DICT, --dict DICT 使用 DICT 代替默认词典

• -u USER_DICT, --user-dict USER_DICT
  使用 USER_DICT 作为附加词典，与默认词典或自定义词典配合使用

• -a, --cut-all 全模式分词（不支持词性标注）

• -n, --no-hmm 不使用隐含马尔可夫模型

• -q, --quiet 不输出载入信息到 STDERR

• -V, --version 显示版本信息并退出

如果没有指定文件名，则使用标准输入。