Python---爬蟲---清洗---jieba分詞

jieba中文處理

和拉丁語系不同，亞洲語言是不用空格分開每個有意義的詞的。而當我們進行自然語言處理的時候，大部分情況下，詞彙是我們對句子和文章理解的基礎，因此需要一個工具去把完整的文本中分解成粒度更細的詞。

jieba就是這樣一個非常好用的中文工具，是以分詞起家的，但是功能比分詞要強大很多。

1.基本分詞函數與用法

jieba.cut 以及 jieba.cut_for_search 返回的結構都是一個可迭代的 generator，可以使用 for 循環來獲得分詞後得到的每一個詞語(unicode)

jieba.cut 方法接受三個輸入參數:

需要分詞的字符串
cut_all 參數用來控制是否採用全模式
HMM 參數用來控制是否使用 HMM 模型

jieba.cut_for_search 方法接受兩個參數

需要分詞的字符串
是否使用 HMM 模型。

該方法適合用於搜索引擎構建倒排索引的分詞，粒度比較細

In [1]:

# encoding=utf-8
import jieba

seg_list = jieba.cut("我在學習自然語言處理", cut_all=True)
print seg_list
print("Full Mode: " + "/ ".join(seg_list))  # 全模式

seg_list = jieba.cut("我在學習自然語言處理", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))  # 精確模式

seg_list = jieba.cut("他畢業於上海交通大學，在百度深度學習研究院進行研究")  # 默認是精確模式
print(", ".join(seg_list))

seg_list = jieba.cut_for_search("小明碩士畢業於中國科學院計算所，後在哈佛大學深造")  # 搜索引擎模式
print(", ".join(seg_list))

Building prefix dict from the default dictionary ...
Loading model from cache /var/folders/pn/xp31896922n9rqxgftrqk3l00000gn/T/jieba.cache
Loading model cost 0.496 seconds.

<generator object cut at 0x10bbd91e0>

Prefix dict has been built succesfully.

Full Mode: 我/ 在/ 學習/ 自然/ 自然語言/ 語言/ 處理
Default Mode: 我/ 在/ 學習/ 自然語言/ 處理
他, 畢業, 於, 上海交通大學, ，, 在, 百度, 深度, 學習, 研究院, 進行, 研究
小明, 碩士, 畢業, 於, 中國, 科學, 學院, 科學院, 中國科學院, 計算, 計算所, ，, 後, 在, 哈佛, 大學, 哈佛大學, 深造

jieba.lcut以及jieba.lcut_for_search直接返回 list

In [2]:

result_lcut = jieba.lcut("小明碩士畢業於中國科學院計算所，後在哈佛大學深造")
print result_lcut
print " ".join(result_lcut)
print " ".join(jieba.lcut_for_search("小明碩士畢業於中國科學院計算所，後在哈佛大學深造"))

[u'\u5c0f\u660e', u'\u7855\u58eb', u'\u6bd5\u4e1a', u'\u4e8e', u'\u4e2d\u56fd\u79d1\u5b66\u9662', u'\u8ba1\u7b97\u6240', u'\uff0c', u'\u540e', u'\u5728', u'\u54c8\u4f5b\u5927\u5b66', u'\u6df1\u9020']
小明 碩士 畢業 於 中國科學院 計算所 ， 後 在 哈佛大學 深造
小明 碩士 畢業 於 中國 科學 學院 科學院 中國科學院 計算 計算所 ， 後 在 哈佛 大學 哈佛大學 深造

添加用戶自定義詞典

很多時候我們需要針對自己的場景進行分詞，會有一些領域內的專有詞彙。

1.可以用jieba.load_userdict(file_name)加載用戶字典
2.少量的詞彙可以自己用下面方法手動添加：
- 用 add_word(word, freq=None, tag=None) 和 del_word(word) 在程序中動態修改詞典
- 用 suggest_freq(segment, tune=True) 可調節單個詞語的詞頻，使其能（或不能）被分出來。

In [3]:

print('/'.join(jieba.cut('如果放到舊字典中將出錯。', HMM=False)))

如果/放到/舊/字典/中將/出錯/。

In [4]:

jieba.suggest_freq(('中', '將'), True)

Out[4]:

In [5]:

print('/'.join(jieba.cut('如果放到舊字典中將出錯。', HMM=False)))

如果/放到/舊/字典/中/將/出錯/。

關鍵詞提取

基於 TF-IDF 算法的關鍵詞抽取

import jieba.analyse

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
- sentence 爲待提取的文本
- topK 爲返回幾個 TF/IDF 權重最大的關鍵詞，默認值爲 20
- withWeight 爲是否一併返回關鍵詞權重值，默認值爲 False
- allowPOS 僅包括指定詞性的詞，默認值爲空，即不篩選

In [6]:

import jieba.analyse as analyse
lines = open('NBA.txt').read()
print "  ".join(analyse.extract_tags(lines, topK=20, withWeight=False, allowPOS=()))

韋少  杜蘭特  全明星  全明星賽  MVP  威少  正賽  科爾  投籃  勇士  球員  斯布魯克  更衣櫃  張衛平  三連莊  NBA  西部  指導  雷霆  明星隊

In [7]:

lines = open(u'西遊記.txt').read()
print "  ".join(analyse.extract_tags(lines, topK=20, withWeight=False, allowPOS=()))

行者  八戒  師父  三藏  唐僧  大聖  沙僧  妖精  菩薩  和尚  那怪  那裏  長老  呆子  徒弟  怎麼  不知  老孫  國王  一個

關於TF-IDF 算法的關鍵詞抽取補充

關鍵詞提取所使用逆向文件頻率（IDF）文本語料庫可以切換成自定義語料庫的路徑
- 用法： jieba.analyse.set_idf_path(file_name) # file_name爲自定義語料庫的路徑
  - 自定義語料庫示例見這裏
  - 用法示例見這裏
- 關鍵詞提取所使用停止詞（Stop Words）文本語料庫可以切換成自定義語料庫的路徑
  - 用法： jieba.analyse.set_stop_words(file_name) # file_name爲自定義語料庫的路徑
  - 自定義語料庫示例見這裏
  - 用法示例見這裏
關鍵詞一併返回關鍵詞權重值示例
- 用法示例見這裏

基於 TextRank 算法的關鍵詞抽取

jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) 直接使用，接口相同，注意默認過濾詞性。
jieba.analyse.TextRank() 新建自定義 TextRank 實例

算法論文： TextRank: Bringing Order into Texts

基本思想:

將待抽取關鍵詞的文本進行分詞
以固定窗口大小(默認爲5，通過span屬性調整)，詞之間的共現關係，構建圖
計算圖中節點的PageRank，注意是無向帶權圖

In [8]:

import jieba.analyse as analyse
lines = open('NBA.txt').read()
print "  ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')))
print "---------------------我是分割線----------------"
print "  ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=('ns', 'n')))

全明星賽  勇士  正賽  指導  對方  投籃  球員  沒有  出現  時間  威少  認爲  看來  結果  相隔  助攻  現場  三連莊  介紹  嘉賓
---------------------我是分割線----------------
勇士  正賽  全明星賽  指導  投籃  玩命  時間  對方  現場  結果  球員  嘉賓  時候  全隊  主持人  特點  大夥  肥皂劇  全程  快船隊

In [9]:

lines = open(u'西遊記.txt').read()
print "  ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')))

行者  師父  八戒  三藏  大聖  不知  菩薩  妖精  只見  長老  國王  卻說  呆子  徒弟  小妖  出來  不得  不見  不能  師徒

詞性標註

jieba.posseg.POSTokenizer(tokenizer=None) 新建自定義分詞器，tokenizer 參數可指定內部使用的 jieba.Tokenizer 分詞器。jieba.posseg.dt 爲默認詞性標註分詞器。
標註句子分詞後每個詞的詞性，採用和 ictclas 兼容的標記法。
具體的詞性對照表參見計算所漢語詞性標記集

In [10]:

import jieba.posseg as pseg
words = pseg.cut("我愛自然語言處理")
for word, flag in words:
    print('%s %s' % (word, flag))

我 r
愛 v
自然語言 l
處理 v

並行分詞

原理：將目標文本按行分隔後，把各行文本分配到多個 Python 進程並行分詞，然後歸併結果，從而獲得分詞速度的可觀提升基於 python 自帶的 multiprocessing 模塊，目前暫不支持 Windows

用法：

jieba.enable_parallel(4) # 開啓並行分詞模式，參數爲並行進程數
jieba.disable_parallel() # 關閉並行分詞模式

實驗結果：在 4 核 3.4GHz Linux 機器上，對金庸全集進行精確分詞，獲得了 1MB/s 的速度，是單進程版的 3.3 倍。

注意：並行分詞僅支持默認分詞器 jieba.dt 和 jieba.posseg.dt。

In [11]:

import sys
import time
import jieba

jieba.enable_parallel()
content = open(u'西遊記.txt',"r").read()
t1 = time.time()
words = "/ ".join(jieba.cut(content))
t2 = time.time()
tm_cost = t2-t1
print('並行分詞速度爲 %s bytes/second' % (len(content)/tm_cost))

jieba.disable_parallel()
content = open(u'西遊記.txt',"r").read()
t1 = time.time()
words = "/ ".join(jieba.cut(content))
t2 = time.time()
tm_cost = t2-t1
print('非並行分詞速度爲 %s bytes/second' % (len(content)/tm_cost))

並行分詞速度爲 830619.50933 bytes/second
非並行分詞速度爲 259941.448353 bytes/second

Tokenize：返回詞語在原文的起止位置

注意，輸入參數只接受 unicode

In [12]:

print "這是默認模式的tokenize"
result = jieba.tokenize(u'自然語言處理非常有用')
for tk in result:
    print("%s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

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

print "這是搜索模式的tokenize"
result = jieba.tokenize(u'自然語言處理非常有用', mode='search')
for tk in result:
    print("%s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

這是默認模式的tokenize
自然語言		 start: 0 		 end:4
處理		 start: 4 		 end:6
非常		 start: 6 		 end:8
有用		 start: 8 		 end:10

-----------我是神奇的分割線------------

這是搜索模式的tokenize
自然		 start: 0 		 end:2
語言		 start: 2 		 end:4
自然語言		 start: 0 		 end:4
處理		 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

In [16]:

# -*- 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 中文測試中文 is even more interesting! 吃水果"
)

writer.add_document(
    title="document3",
    path="/c",
    content="買水果然後來世博園。"
)

writer.add_document(
    title="document4",
    path="/c",
    content="工信處女幹事每月經過下屬科室都要親口交代24口交換機等技術性器件的安裝工作"
)

writer.add_document(
    title="document4",
    path="/c",
    content="咱倆交換一下吧。"
)

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

for keyword in ("水果世博園","你","first","中文","交換機","交換"):
    print(keyword+"的結果爲如下：")
    q = parser.parse(keyword)
    results = searcher.search(q)
    for hit in results:
        print(hit.highlights("content"))
    print("\n--------------我是神奇的分割線--------------\n")

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

水果世博園的結果爲如下：
買<b class="match term0">水果</b>然後來<b class="match term1">世博園</b>

--------------我是神奇的分割線--------------

你的結果爲如下：
second one <b class="match term0">你</b> 中文測試中文 is even more interesting

--------------我是神奇的分割線--------------

first的結果爲如下：
<b class="match term0">first</b> document we’ve added

--------------我是神奇的分割線--------------

中文的結果爲如下：
second one 你 <b class="match term0">中文</b>測試<b class="match term0">中文</b> is even more interesting

--------------我是神奇的分割線--------------

交換機的結果爲如下：
幹事每月經過下屬科室都要親口交代24口<b class="match term0">交換機</b>等技術性器件的安裝工作

--------------我是神奇的分割線--------------

交換的結果爲如下：
咱倆<b class="match term0">交換</b>一下吧
幹事每月經過下屬科室都要親口交代24口<b class="match term0">交換</b>機等技術性器件的安裝工作

--------------我是神奇的分割線--------------

我
好
朋友
是
李明
我
愛
北京
天安
天安門
ibm
microsoft
dream
intetest
interest
me
lot

命令行分詞

使用示例：python -m jieba news.txt > cut_result.txt

命令行選項（翻譯）：

使用: python -m jieba [options] filename

結巴命令行界面。

固定參數:
  filename              輸入文件

可選參數:
  -h, --help            顯示此幫助信息並退出
  -d [DELIM], --delimiter [DELIM]
                        使用 DELIM 分隔詞語，而不是用默認的' / '。
                        若不指定 DELIM，則使用一個空格分隔。
  -p [DELIM], --pos [DELIM]
                        啓用詞性標註；如果指定 DELIM，詞語和詞性之間
                        用它分隔，否則用 _ 分隔
  -D DICT, --dict DICT  使用 DICT 代替默認詞典
  -u USER_DICT, --user-dict USER_DICT
                        使用 USER_DICT 作爲附加詞典，與默認詞典或自定義詞典配合使用
  -a, --cut-all         全模式分詞（不支持詞性標註）
  -n, --no-hmm          不使用隱含馬爾可夫模型
  -q, --quiet           不輸出載入信息到 STDERR
  -V, --version         顯示版本信息並退出

如果沒有指定文件名，則使用標準輸入。

--help 選項輸出：

$> python -m jieba --help
Jieba command line interface.

positional arguments:
  filename              input file

optional arguments:
  -h, --help            show this help message and exit
  -d [DELIM], --delimiter [DELIM]
                        use DELIM instead of ' / ' for word delimiter; or a
                        space if it is used without DELIM
  -p [DELIM], --pos [DELIM]
                        enable POS tagging; if DELIM is specified, use DELIM
                        instead of '_' for POS delimiter
  -D DICT, --dict DICT  use DICT as dictionary
  -u USER_DICT, --user-dict USER_DICT
                        use USER_DICT together with the default dictionary or
                        DICT (if specified)
  -a, --cut-all         full pattern cutting (ignored with POS tagging)
  -n, --no-hmm          don't use the Hidden Markov Model
  -q, --quiet           don't print loading messages to stderr
  -V, --version         show program's version number and exit

If no filename specified, use STDIN instead.

In [ ]:

Python---爬蟲---清洗---jieba分詞

jieba中文處理

1.基本分詞函數與用法

關鍵詞提取

詞性標註

並行分詞

Tokenize：返回詞語在原文的起止位置

ChineseAnalyzer for Whoosh 搜索引擎

命令行分詞

工作中常用的liunx 命令

爬蟲智能解析淺談

liunx 常用命令

ubuntu python 版本升級後 No module named 'apt_pkg' No module named 'pip._internal'

Python---爬蟲---清洗---unicode編碼轉成中文顯示問題

Mac下配置sublime實現LaTeX

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結