R语言︱文本挖掘之中文分词包——Rwordseg包
笔者寄语：与前面的RsowballC分词不同的地方在于这是一个中文的分词包，简单易懂，分词是一个非常重要的步骤，可以通过一些字典，进行特定分词。大致分析步骤如下：
数据导入——选择分词字典——分词
但是下载步骤比较繁琐，可参考之前的博客： R语言·文本挖掘︱Rwordseg/rJava两包的安装（安到吐血）
一、数据导入、函数测试
本次使用代码与案例是基于北门吹风博客而来。
#导入rJava 和Rwordseg library(rJava) library(Rwordseg) #测试rJava 和Rwordseg是否安装好 teststring1 <- "我爱R语言，我爱文本挖掘" segmentCN(teststring1) ##Rwordseg中的函数，中文分词 #观察分词1000次花的时间 system.time(for(i in 1:1000) segmentCN(teststring1)) #segmentCN的详细解释 ?segmentCN
二、分词词典的使用
笔者认为选择分词词典对于后续的分析极为重要，词典库是之后分词的匹配库，这个词库越强大，分词的效果就越好。网上大多使用的是搜狗分词包。
1、从搜狗词库下载分词词典
##用搜狗词库的时候 一定要在官网上下载 ~.scel 文件，
##搜狗下载官网：http://pinyin.sogou.com/dict/cate/index/101
#不能直接将 下载的 ~.txt改为~.scel
installDict("F:/R/文本挖掘分词词库/自然语言处理及计算语言学相关术语.scel","computer",dicttype = "scel")
2、查看词典的函数
加载词典函数为installDict，下面有一些简单的介绍，其中的词类名称是自定义的，每个词类名称需要不一样。
#查看词典
#installDict函数介绍
# installDict(dictpath, dictname,dicttype = c("text", "scel"), load = TRUE)
#installDict("工作目录","词类名称",dicttype = c("text", "scel"), load = TRUE)
listDict() #uninstallDict() 删除安装的词典 uninstallDict() #listDict() 查看剩余的词典 listDict()
deleteWords( )删词
分别有查看、安装、删除的函数。
3、自定义词典
可以自己设定哪些关键词需要额外注意区分开来，也可以删除已经加入词库的一些关键词，
对于一些专业领域，专业名词较多的案例，很推荐。
#自定义词典
#手动添加或删除词汇，仅仅只在内存中临时添加，未记录下来
segmentCN("画角声断谯门")
insertWords("谯门") #让某词组放入内存
segmentCN("画角声断谯门")
deleteWords(c("谯门","画角")) #删除某词组
segmentCN("画角声断谯门")
#使用save参数，把操作记录下来，下回启动能直接用
insertWords(c("谯门","画角"),save=TRUE)
segmentCN("画角声断谯门")
三、分词
1、Rwordseg分词包核心函数segmentCN
Rwordseg分词包主要函数是segmentCN，这个函数是核心，笔者详解一下这个函数，代码如下：
#segmentCN函数解释
segmentCN(strwords,
analyzer = get("Analyzer", envir = .RwordsegEnv),
nature = FALSE, nosymbol = TRUE,
returnType = c("vector", "tm"), isfast = FALSE,
outfile = "", blocklines = 1000)
#strwords：中文句子
#analyzer：分析的java对象
#nature：是否识别词组的词性（动词、形容词）
#nosymbol:是否保留句子符号
#returnType：默认是一个字符串，也可以保存成其他的样式，比如tm格式，以供tm包分析
#isfast：“否”代表划分成一个个字符，“是”代表保留句子，只是断句
#outfile：如果输入是一个文件，文件的路径是啥
#blocklines：一行的最大读入字符数
2、关于人名的分词
#参数isNameRecognition 可用来人的名字识别，
getOption("isNameRecognition") #默认是不进行人名识别,输出false
segmentCN("梅超风不是是桃花岛岛主")
segment.options(isNameRecognition = TRUE)
getOption("isNameRecognition")
segmentCN("梅超风是桃花岛岛主")
