Jieba库是优秀的中文分词第三方库,中文文本需要通过分词获得单个的词语。
Jieba库的分词原理:利用一个中文词库,确定汉字之间的关联概率,汉字间概率大的组成词组,形成分词结果。除了分词,用户还可以添加自定义的词组。
jieba库的安装使用的是pip 安装或者使用
# 使用pip 进行安装,在在控制台输入
pip install jieba
Jieba库分词有3种模式
精确模式:就是把一段文本精确地切分成若干个中文单词,若干个中文单词之间经过组合,就精确地还原为之前的文本。其中不存在冗余单词。
jieba.icut(s) # 精确模式
全模式:将一段文本中所有可能的词语都扫描出来,可能有一段文本它可以切分成不同的模式,或者有不同的角度来切分变成不同的词语,在全模式下,Jieba库会将各种不同的组合都挖掘出来。分词后的信息再组合起来会有冗余,不再是原来的文本。
jieba.icut(s,cut_all = ture) # 全模式
搜索引擎模式:在精确模式基础上,对发现的那些长的词语,我们会对它再次切分,进而适合搜索引擎对短词语的索引和搜索。也有冗余。
jieba.icut_for_sear(s) # 搜索引擎模式
Jieba库常用函数:重点记输入什么类型(字符串?列表?)、输出什么类型(字符串?列表?);
添加用户词库方法:添加用户确认的不想被分词的词语
jieba.load_userdict(user.txt)
添加停用词库:删除掉用户不希望计入统计的词
def stopwordslist(): # 创建停用词库
stopwords = [line.strip() for line in open('stop_words.txt', encoding='UTF-8').readlines()]
return stopwords # 返回停用词库
stopwords = stopwordslist() # 调用停用词库