Python入門——jieba庫和應用


以下內容來自於網課學習筆記。

使用的環境:

  • Window10+64位操作系統
  • PyCharm+Python3.7

一、jieba庫概述

jieba是優秀的中文分詞第三方庫

  • 中文文本需要通過分詞獲得單個的詞語
  • jieba是優秀的中文分詞第三方庫,需要額外安裝
  • jieba庫提供三種分詞模式,最簡單隻需掌握一個函數

二、安裝jieba庫

Microsoft Windows [版本 10.0.18363.720]
(c) 2019 Microsoft Corporation。保留所有權利。

C:\Users\86571>pip install --index-url https://pypi.douban.com/simple jieba
Looking in indexes: https://pypi.douban.com/simple
Collecting jieba
  Downloading https://pypi.doubanio.com/packages/c6/cb/18eeb235f833b726522d7ebed54f2278ce28ba9438e3135ab0278d9792a2/jieba-0.42.1.tar.gz (19.2MB)
     |██████████████████▌             | 11.0MB 547kB/s eta 0:00:15     |██████████████████▌             | 11.0MB 547kB/s eta 0:00:15     |██████████████████▌             | 11.0MB 547kB/s eta 0:00:15     |██████████████████▌             | 11.0MB 547kB/s eta 0:00:15     |██████████████████▌             | 11.1MB 547kB/s eta 0:00:15     |██████████████████▌             | 11.1MB 547kB/s eta 0:00:15     |██████████████████▌             | 11.1MB 547kB/s eta 0:00:15     |██████████████████▌             | 11.1MB 547kB/s eta 0:00:15     |██████████████████▌             | 11.1MB 547kB/s eta 0:00:15     |██████████████████▌             | 11.1MB 547kB/s eta 0:00:15     |██████████████████▌             | 11.1MB 547kB/s eta 0:00:15     |██████████████████▌             | 11.1MB 547kB/s eta 0:00:15     |██████████████████▌             | 11.1MB 547kB/s eta 0:00:15     |██████████████████▌             | 11.2MB 547kB/s eta 0:00:15     |██████████████████▌             | 11.2MB 547kB/s eta 0:00:15     |██████████████████▌             | 11.2MB 547kB/s eta 0:00:15     |██████████████████▌             | 11.2MB 547kB/s eta 0:00:15     |██████████████████▌             | 11.2MB 547kB/s eta 0:00:15     |██████████████████▌             | 11.2MB 547kB/s eta 0:00:15     |███████████████████             | 11.2MB 547kB/s eta 0:00:15     |███████████████████             | 11.2MB 547kB/s eta 0:00:15     |███████████████████             | 11.2MB 547kB/s eta 0:00:15     |███████████████████             | 11.2MB 547kB/s eta 0:00:15     |███████████████████             | 11.3MB 547kB/s eta 0:00:15     |███████████████████             | 11.3MB 547kB/s eta 0:00:15     |███████████████████             | 11.3MB 547kB/s eta 0:00:15     |███████████████████             | 11.3MB 547kB/s eta 0:00:15     |███████████████████             | 11.3MB 547kB/s eta 0:00:15     |███████████████████             | 11.3MB 547kB/s eta 0:00:15     |███████████████████             | 11.3MB 547kB/s eta 0:00:15     |███████████████████             | 11.3MB 547kB/s eta 0:00:15     |███████████████████             | 11.3MB 547kB/s eta 0:00:15     |███████████████████             | 11.3MB 547kB/s eta 0:00:15     |███████████████████             | 11.4MB 547kB/s eta 0:00:15     |███████████████████             | 11.4MB 547kB/s eta 0:00:15     |███████████████████             | 11.4MB 547kB/s eta 0:00:15     |███████████████████             | 11.4MB 547kB/s eta 0:00:15     |███████████████████             | 11.4MB 547kB/s eta 0:00:15     |███████████████████             | 11.4MB 547kB/s eta 0:00:15     |███████████████████             | 11.4MB 547kB/s eta 0:00:15     |███████████████████             | 11.4MB 819kB/s eta 0:00:10     |███████████████████             | 11.4MB 819kB/s eta 0:00:10     |███████████████████             | 11.4MB 819kB/s eta 0:00:10     |███████████████████             | 11.5MB 819kB/s eta 0:00:10     |███████████████████             | 11.5MB 819kB/s eta 0:00:10     |███████████████████             | 11.5MB 819kB/s eta 0:00:10     |███████████████████             | 11.5MB 819kB/s eta 0:00:10     |███████████████████             | 11.5MB 819kB/s eta 0:00:10     |███████████████████             | 11.5MB 819kB/s eta 0:00:10     |███████████████████             | 11.5MB 819kB/s eta 0:00:10     |███████████████████             | 11.5MB 819kB/s eta 0:00:10     |███████████████████             | 11.5MB 819kB/s eta 0:00:10     |███████████████████             | 11.6MB 819kB/s eta 0:00:10     |███████████████████             | 11.6MB 819kB/s eta 0:00:10     |███████████████████             | 11.6MB 819kB/s eta 0:00:10     |███████████████████             | 11.6MB 819kB/s eta 0:00:10     |███████████████████             | 11.6MB 819kB/s eta 0:00:10     |███████████████████             | 11.6MB 819kB/s eta 0:00:10     |███████████████████▌            | 11.6MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.6MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.6MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.6MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.7MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.7MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.7MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.7MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.7MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.7MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.7MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.7MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.7MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.7MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.8MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.8MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.8MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.8MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.8MB 819kB/s eta 0:00:1     |███████████████████▌            | 11.8MB 819kB/s eta 0:00:1     |████████████████████            | 11.8MB 819kB/s eta 0:00:1     |████████████████████            | 11.8MB 819kB/s eta 0:00:1     |████████████████████            | 11.8MB 819kB/s eta 0:00:1     |████████████████████            | 11.8MB 819kB/s eta 0:00:0     |████████████████████            | 11.9MB 819kB/s eta 0:00:0     |████████████████████            | 11.9MB 819kB/s eta 0:00:0     |████████████████████            | 11.9MB 819kB/s eta 0:00:0     |████████████████████            | 11.9MB 819kB/s eta 0:00:0     |████████████████████            | 11.9MB 819kB/s eta 0:00:0     |████████████████████            | 11.9MB 819kB/s eta 0:00:0     |████████████████████            | 11.9MB 819kB/s eta 0:00:0     |████████████████████            | 11.9MB 819kB/s eta 0:00:0     |████████████████████            | 11.9MB 819kB/s eta 0:00:0     |████████████████████            | 12.0MB 819kB/s eta 0:00:0     |████████████████████            | 12.0MB 819kB/s eta 0:00:0     |████████████████████            | 12.0MB 819kB/s eta 0:00:0     |████████████████████            | 12.0MB 819kB/s eta 0:00:0     |████████████████████            | 12.0MB 819kB/s eta 0:00:0     |████████████████████            | 12.0MB 819kB/s eta 0:00:0     |████████████████████            | 12.0MB 819kB/s eta 0:00:0     |████████████████████            | 12.0MB 819kB/s eta 0:00:0     |████████████████████            | 12.0MB 819kB/s eta 0:00:0     |████████████████████            | 12.0MB 819kB/s eta 0:00:0     |████████████████████            | 12.1MB 819kB/s eta 0:00:0     |████████████████████            | 12.1MB 819kB/s eta 0:00:0     |████████████████████            | 12.1MB 819kB/s eta 0:00:0     |████████████████████            | 12.1MB 819kB/s eta 0:00:0     |████████████████████            | 12.1MB 819kB/s eta 0:00:0     |████████████████████            | 12.1MB 819kB/s eta 0:00:0     |████████████████████            | 12.1MB 819kB/s eta 0:00:0     |████████████████████            | 12.1MB 819kB/s eta 0:00:0     |████████████████████            | 12.1MB 819kB/s eta 0:00:0     |████████████████████            | 12.1MB 819kB/s eta 0:00:0     |████████████████████            | 12.2MB 819kB/s eta 0:00:0     |████████████████████            | 12.2MB 819kB/s eta 0:00:0     |████████████████████            | 12.2MB 819kB/s eta 0:00:0     |████████████████████            | 12.2MB 819kB/s eta 0:00:0     |████████████████████            | 12.2MB 819kB/s eta 0:00:0     |████████████████████            | 12.2MB 819kB/s eta 0:00:0     |████████████████████▌           | 12.2MB 819kB/s eta 0:00:     |████████████████████▌           | 12.2MB 819kB/s eta 0:00:     |████████████████████▌           | 12.2MB 819kB/s eta 0:00:     |████████████████████▌           | 12.2MB 819kB/s eta 0:00:     |████████████████████▌           | 12.3MB 819kB/s eta 0:00:     |████████████████████▌           | 12.3MB 819kB/s eta 0:00:     |████████████████████▌           | 12.3MB 819kB/s eta 0:00:     |████████████████████▌           | 12.3MB 819kB/s eta 0:00:     |████████████████████▌           | 12.3MB 819kB/s eta 0:00:     |████████████████████▌           | 12.3MB 819kB/s eta 0:00:     |████████████████████▌           | 12.3MB 819kB/s eta 0:00:     |████████████████████▌           | 12.3MB 819kB/s eta 0:00:     |████████████████████▌           | 12.3MB 819kB/s eta 0:00:     |████████████████████▌           | 12.3MB 819kB/s eta 0:00:     |████████████████████▌           | 12.4MB 819kB/s eta 0:00:     |████████████████████▌           | 12.4MB 819kB/s eta 0:00:     |████████████████████▌           | 12.4MB 819kB/s eta 0:00:     |████████████████████▌           | 12.4MB 819kB/s eta 0:00:     |████████████████████▌           | 12.4MB 819kB/s eta 0:00:     |█████████████████████           | 12.4MB 819kB/s eta 0:00:     |█████████████████████           | 12.4MB 819kB/s eta 0:00:     |█████████████████████           | 12.4MB 819kB/s eta 0:00:     |█████████████████████           | 12.4MB 819kB/s eta 0:00:     |█████████████████████           | 12.5MB 819kB/s eta 0:00:     |█████████████████████           | 12.5MB 819kB/s eta 0:00:     |█████████████████████           | 12.5MB 819kB/s eta 0:00:     |█████████████████████           | 12.5MB 819kB/s eta 0:00:     |█████████████████████           | 12.5MB 819kB/s eta 0:00:     |█████████████████████           | 12.5MB 819kB/s eta 0:00:     |█████████████████████           | 12.5MB 819kB/s eta 0:00:     |█████████████████████           | 12.5MB 819kB/s eta 0:00:     |█████████████████████           | 12.5MB 819kB/s eta 0:00:     |█████████████████████           | 12.5MB 819kB/s eta 0:00:     |█████████████████████           | 12.6MB 819kB/s eta 0:00:     |█████████████████████           | 12.6MB 819kB/s eta 0:00:     |█████████████████████           | 12.6MB 819kB/s eta 0:00:     |█████████████████████           | 12.6MB 819kB/s eta 0:00:     |█████████████████████           | 12.6MB 819kB/s eta 0:00:     |█████████████████████           | 12.6MB 819kB/s eta 0:00:     |█████████████████████           | 12.6MB 819kB/s eta 0:00:     |█████████████████████           | 12.6MB 819kB/s eta 0:00:     |█████████████████████           | 12.6MB 819kB/s eta 0:00:     |█████████████████████           | 12.6MB 819kB/s eta 0:00:     |█████████████████████           | 12.7MB 819kB/s eta 0:00:     |█████████████████████           | 12.7MB 819kB/s eta 0:00:     |█████████████████████           | 12.7MB 819kB/s eta 0:00:     |█████████████████████           | 12.7MB 819kB/s eta 0:00:     |█████████████████████           | 12.7MB 819kB/s eta 0:00:     |█████████████████████           | 12.7MB 819kB/s eta 0:00:     |█████████████████████           | 12.7MB 2.2MB/s eta 0:00:     |█████████████████████           | 12.7MB 2.2MB/s eta 0:00:     |█████████████████████           | 12.7MB 2.2MB/s eta 0:00:     |█████████████████████           | 12.7MB 2.2MB/s eta 0:00:     |█████████████████████           | 12.8MB 2.2MB/s eta 0:00:     |█████████████████████           | 12.8MB 2.2MB/s eta 0:00:     |█████████████████████           | 12.8MB 2.2MB/s eta 0:00:     |█████████████████████           | 12.8MB 2.2MB/s eta 0:00:     |█████████████████████           | 12.8MB 2.2MB/s eta 0:00:     |█████████████████████▌          | 12.8MB 2.2MB/s eta 0:00     |█████████████████████▌          | 12.8MB 2.2MB/s eta 0:00     |█████████████████████▌          | 12.8MB 2.2MB/s eta 0:00     |█████████████████████▌          | 12.8MB 2.2MB/s eta 0:00     |█████████████████████▌          | 12.9MB 2.2MB/s eta 0:00     |█████████████████████▌          | 12.9MB 2.2MB/s eta 0:00     |█████████████████████▌          | 12.9MB 2.2MB/s eta 0:00     |█████████████████████▌          | 12.9MB 2.2MB/s eta 0:00     |█████████████████████▌          | 12.9MB 2.2MB/s eta 0:00     |█████████████████████▌          | 12.9MB 2.2MB/s eta 0:00     |█████████████████████▌          | 12.9MB 2.2MB/s eta 0:00     |█████████████████████▌          | 12.9MB 2.2MB/s eta 0:00     |█████████████████████▌          | 12.9MB 2.2MB/s eta 0:00     |█████████████████████▌          | 12.9MB 2.2MB/s eta 0:00     |█████████████████████▌          | 13.0MB 2.2MB/s eta 0:00     |█████████████████████▌          | 13.0MB 2.2MB/s eta 0:00     |█████████████████████▌          | 13.0MB 2.2MB/s eta 0:00     |█████████████████████▌          | 13.0MB 2.2MB/s eta 0:00     |█████████████████████▌          | 13.0MB 2.2MB/s eta 0:00     |█████████████████████▌          | 13.0MB 2.2MB/s eta 0:00     |██████████████████████          | 13.0MB 2.2MB/s eta 0:00     |██████████████████████          | 13.0MB 2.2MB/s eta 0:00     |██████████████████████          | 13.0MB 2.2MB/s eta 0:00     |██████████████████████          | 13.0MB 2.2MB/s eta 0:00     |██████████████████████          | 13.1MB 2.2MB/s eta 0:00     |██████████████████████          | 13.1MB 2.2MB/s eta 0:00     |██████████████████████          | 13.1MB 2.2MB/s eta 0:00     |██████████████████████          | 13.1MB 2.2MB/s eta 0:00     |██████████████████████          | 13.1MB 2.2MB/s eta 0:00     |██████████████████████          | 13.1MB 2.2MB/s eta 0:00     |██████████████████████          | 13.1MB 2.2MB/s eta 0:00     |██████████████████████          | 13.1MB 2.2MB/s eta 0:00     |██████████████████████          | 13.1MB 2.2MB/s eta 0:00     |██████████████████████          | 13.1MB 2.2MB/s eta 0:00     |██████████████████████          | 13.2MB 2.2MB/s eta 0:00     |██████████████████████          | 13.2MB 2.2MB/s eta 0:00     |██████████████████████          | 13.2MB 2.2MB/s eta 0:00     |██████████████████████          | 13.2MB 2.2MB/s eta 0:00     |██████████████████████          | 13.2MB 2.2MB/s eta 0:00     |██████████████████████          | 13.2MB 2.2MB/s eta 0:00     |██████████████████████          | 13.2MB 2.2MB/s eta 0:00     |██████████████████████          | 13.2MB 2.2MB/s eta 0:00     |██████████████████████          | 13.2MB 2.2MB/s eta 0:00     |██████████████████████          | 13.3MB 2.2MB/s eta 0:00     |██████████████████████          | 13.3MB 2.2MB/s eta 0:00     |██████████████████████          | 13.3MB 2.2MB/s eta 0:00     |██████████████████████          | 13.3MB 2.2MB/s eta 0:00     |██████████████████████          | 13.3MB 2.2MB/s eta 0:00     |██████████████████████          | 13.3MB 2.2MB/s eta 0:00     |██████████████████████          | 13.3MB 2.2MB/s eta 0:00     |██████████████████████          | 13.3MB 2.2MB/s eta 0:00     |██████████████████████          | 13.3MB 2.2MB/s eta 0:00     |██████████████████████          | 13.3MB 2.2MB/s eta 0:00     |██████████████████████          | 13.4MB 2.2MB/s eta 0:00     |██████████████████████          | 13.4MB 2.2MB/s eta 0:00     |██████████████████████          | 13.4MB 2.2MB/s eta 0:00     |██████████████████████          | 13.4MB 2.2MB/s eta 0:00     |██████████████████████          | 13.4MB 2.2MB/s eta 0:00     |██████████████████████          | 13.4MB 2.2MB/s eta 0:00     |██████████████████████▌         | 13.4MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.4MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.4MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.4MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.5MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.5MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.5MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.5MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.5MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.5MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.5MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.5MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.5MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.5MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.6MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.6MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.6MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.6MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.6MB 2.2MB/s eta 0:0     |██████████████████████▌         | 13.6MB 2.2MB/s eta 0:0     |███████████████████████         | 13.6MB 2.2MB/s eta 0:0     |███████████████████████         | 13.6MB 2.2MB/s eta 0:0     |███████████████████████         | 13.6MB 2.2MB/s eta 0:0     |███████████████████████         | 13.6MB 2.2MB/s eta 0:0     |███████████████████████         | 13.7MB 2.2MB/s eta 0:0     |███████████████████████         | 13.7MB 2.2MB/s eta 0:0     |███████████████████████         | 13.7MB 2.2MB/s eta 0:0     |███████████████████████         | 13.7MB 2.2MB/s eta 0:0     |███████████████████████         | 13.7MB 2.2MB/s eta 0:0     |███████████████████████         | 13.7MB 2.2MB/s eta 0:0     |███████████████████████         | 13.7MB 2.2MB/s eta 0:0     |███████████████████████         | 13.7MB 2.2MB/s eta 0:0     |███████████████████████         | 13.7MB 2.2MB/s eta 0:0     |███████████████████████         | 13.8MB 2.2MB/s eta 0:0     |███████████████████████         | 13.8MB 2.2MB/s eta 0:0     |███████████████████████         | 13.8MB 2.2MB/s eta 0:0     |███████████████████████         | 13.8MB 2.2MB/s eta 0:0     |███████████████████████         | 13.8MB 2.2MB/s eta 0:0     |███████████████████████         | 13.8MB 2.2MB/s eta 0:0     |███████████████████████         | 13.8MB 2.2MB/s eta 0:0     |███████████████████████         | 13.8MB 2.2MB/s eta 0:0     |███████████████████████         | 13.8MB 2.2MB/s eta 0:0     |███████████████████████         | 13.8MB 2.2MB/s eta 0:0     |███████████████████████         | 13.9MB 2.2MB/s eta 0:0     |███████████████████████         | 13.9MB 2.2MB/s eta 0:0     |███████████████████████         | 13.9MB 2.2MB/s eta 0:0     |███████████████████████         | 13.9MB 2.2MB/s eta 0:0     |███████████████████████         | 13.9MB 2.2MB/s eta 0:0     |███████████████████████         | 13.9MB 2.2MB/s eta 0:0     |███████████████████████         | 13.9MB 2.2MB/s eta 0:0     |███████████████████████         | 13.9MB 2.2MB/s eta 0:0     |███████████████████████         | 13.9MB 2.2MB/s eta 0:0     |███████████████████████         | 13.9MB 2.2MB/s eta 0:0     |███████████████████████         | 14.0MB 2.2MB/s eta 0:0     |███████████████████████         | 14.0MB 2.2MB/s eta 0:0     |███████████████████████         | 14.0MB 2.2MB/s eta 0:0     |███████████████████████         | 14.0MB 2.2MB/s eta 0:0     |███████████████████████         | 14.0MB 2.2MB/s eta 0:0     |███████████████████████         | 14.0MB 2.2MB/s eta 0:0     |███████████████████████▌        | 14.0MB 2.2MB/s eta 0:     |███████████████████████▌        | 14.0MB 2.2MB/s eta 0:     |███████████████████████▌        | 14.0MB 2.2MB/s eta 0:     |███████████████████████▌        | 14.0MB 2.2MB/s eta 0:     |███████████████████████▌        | 14.1MB 2.2MB/s eta 0:     |███████████████████████▌        | 14.1MB 2.2MB/s eta 0:     |███████████████████████▌        | 14.1MB 2.2MB/s eta 0:     |███████████████████████▌        | 14.1MB 2.2MB/s eta 0:     |███████████████████████▌        | 14.1MB 2.2MB/s eta 0:     |███████████████████████▌        | 14.1MB 2.2MB/s eta 0:     |███████████████████████▌        | 14.1MB 2.2MB/s eta 0:     |███████████████████████▌        | 14.1MB 2.2MB/s eta 0:     |███████████████████████▌        | 14.1MB 2.2MB/s eta 0:     |███████████████████████▌        | 14.2MB 2.2MB/s eta 0:     |███████████████████████▌        | 14.2MB 2.2MB/s eta 0:     |███████████████████████▌        | 14.2MB 2.2MB/s eta 0:     |███████████████████████▌        | 14.2MB 2.2MB/s eta 0:     |███████████████████████▌        | 14.2MB 2.2MB/s eta 0:     |███████████████████████▌        | 14.2MB 2.2MB/s eta 0:     |████████████████████████        | 14.2MB 2.2MB/s eta 0:     |████████████████████████        | 14.2MB 2.2MB/s eta 0:     |████████████████████████        | 14.2MB 2.2MB/s eta 0:     |████████████████████████        | 14.2MB 2.2MB/s eta 0:     |████████████████████████        | 14.3MB 2.2MB/s eta 0:     |████████████████████████        | 14.3MB 2.2MB/s eta 0:     |████████████████████████        | 14.3MB 2.2MB/s eta 0:     |████████████████████████        | 14.3MB 2.2MB/s eta 0:     |████████████████████████        | 14.3MB 2.2MB/s eta 0:     |████████████████████████        | 14.3MB 2.2MB/s eta 0:     |████████████████████████        | 14.3MB 2.2MB/s eta 0:     |████████████████████████        | 14.3MB 2.2MB/s eta 0:     |████████████████████████        | 14.3MB 2.2MB/s eta 0:     |████████████████████████        | 14.3MB 2.2MB/s eta 0:     |████████████████████████        | 14.4MB 2.2MB/s eta 0:     |████████████████████████        | 14.4MB 2.2MB/s eta 0:     |████████████████████████        | 14.4MB 2.2MB/s eta 0:     |████████████████████████        | 14.4MB 2.2MB/s eta 0:     |████████████████████████        | 14.4MB 2.2MB/s eta 0:     |████████████████████████        | 14.4MB 2.2MB/s eta 0:     |████████████████████████        | 14.4MB 2.2MB/s eta 0:     |████████████████████████        | 14.4MB 2.2MB/s eta 0:     |████████████████████████        | 14.4MB 2.2MB/s eta 0:     |████████████████████████        | 14.4MB 2.2MB/s eta 0:     |████████████████████████        | 14.5MB 2.2MB/s eta 0:     |████████████████████████        | 14.5MB 2.2MB/s eta 0:     |████████████████████████        | 14.5MB 2.2MB/s eta 0:     |████████████████████████        | 14.5MB 2.2MB/s eta 0:     |████████████████████████        | 14.5MB 2.2MB/s eta 0:     |████████████████████████        | 14.5MB 2.2MB/s eta 0:     |████████████████████████        | 14.5MB 2.2MB/s eta 0:     |████████████████████████        | 14.5MB 2.2MB/s eta 0:     |████████████████████████        | 14.5MB 2.2MB/s eta 0:     |████████████████████████        | 14.6MB 2.2MB/s eta 0:     |████████████████████████        | 14.6MB 2.2MB/s eta 0:     |████████████████████████        | 14.6MB 2.2MB/s eta 0:     |████████████████████████        | 14.6MB 2.2MB/s eta 0:     |████████████████████████        | 14.6MB 2.2MB/s eta 0:     |████████████████████████        | 14.6MB 2.2MB/s eta 0:     |████████████████████████▌       | 14.6MB 2.2MB/s eta 0     |████████████████████████▌       | 14.6MB 2.2MB/s eta 0     |████████████████████████▌       | 14.6MB 2.2MB/s eta 0     |████████████████████████▌       | 14.6MB 2.2MB/s eta 0     |████████████████████████▌       | 14.7MB 2.2MB/s eta 0     |████████████████████████▌       | 14.7MB 2.2MB/s eta 0     |████████████████████████▌       | 14.7MB 2.2MB/s eta 0     |████████████████████████▌       | 14.7MB 2.2MB/s eta 0     |████████████████████████▌       | 14.7MB 2.2MB/s eta 0     |████████████████████████▌       | 14.7MB 2.2MB/s eta 0     |████████████████████████▌       | 14.7MB 2.2MB/s eta 0     |████████████████████████▌       | 14.7MB 2.2MB/s eta 0     |████████████████████████▌       | 14.7MB 2.2MB/s eta 0     |████████████████████████▌       | 14.7MB 2.2MB/s eta 0     |████████████████████████▌       | 14.8MB 2.2MB/s eta 0     |████████████████████████▌       | 14.8MB 2.2MB/s eta 0     |████████████████████████▌       | 14.8MB 2.2MB/s eta 0     |████████████████████████▌       | 14.8MB 2.2MB/s eta 0     |████████████████████████▌       | 14.8MB 2.2MB/s eta 0     |████████████████████████▌       | 14.8MB 2.2MB/s eta 0     |█████████████████████████       | 14.8MB 2.2MB/s eta 0     |█████████████████████████       | 14.8MB 2.2MB/s eta 0     |█████████████████████████       | 14.8MB 2.2MB/s eta 0     |█████████████████████████       | 14.8MB 2.2MB/s eta 0     |█████████████████████████       | 14.9MB 2.2MB/s eta 0     |█████████████████████████       | 14.9MB 2.2MB/s eta 0     |█████████████████████████       | 14.9MB 2.2MB/s eta 0     |█████████████████████████       | 14.9MB 2.2MB/s eta 0     |█████████████████████████       | 14.9MB 2.2MB/s eta 0     |█████████████████████████       | 14.9MB 2.2MB/s eta 0     |█████████████████████████       | 14.9MB 2.2MB/s eta 0     |█████████████████████████       | 14.9MB 2.2MB/s eta 0     |█████████████████████████       | 14.9MB 2.2MB/s eta 0     |█████████████████████████       | 15.0MB 2.2MB/s eta 0     |█████████████████████████       | 15.0MB 2.2MB/s eta 0     |█████████████████████████       | 15.0MB 2.2MB/s eta 0     |█████████████████████████       | 15.0MB 2.2MB/s eta 0     |█████████████████████████       | 15.0MB 2.2MB/s eta 0     |█████████████████████████       | 15.0MB 2.2MB/s eta 0     |█████████████████████████       | 15.0MB 2.2MB/s eta 0     |█████████████████████████       | 15.0MB 2.2MB/s eta 0     |█████████████████████████       | 15.0MB 2.2MB/s eta 0     |█████████████████████████       | 15.0MB 2.2MB/s eta 0     |█████████████████████████       | 15.1MB 2.2MB/s eta 0     |█████████████████████████       | 15.1MB 2.2MB/s eta 0     |█████████████████████████       | 15.1MB 2.2MB/s eta 0     |█████████████████████████       | 15.1MB 2.2MB/s eta 0     |█████████████████████████       | 15.1MB 2.2MB/s eta 0     |█████████████████████████       | 15.1MB 2.2MB/s eta 0     |█████████████████████████       | 15.1MB 2.2MB/s eta 0     |█████████████████████████       | 15.1MB 2.2MB/s eta 0     |█████████████████████████       | 15.1MB 2.2MB/s eta 0     |█████████████████████████       | 15.1MB 2.2MB/s eta 0     |█████████████████████████       | 15.2MB 2.2MB/s eta 0     |█████████████████████████       | 15.2MB 2.2MB/s eta 0     |█████████████████████████       | 15.2MB 2.2MB/s eta 0     |█████████████████████████       | 15.2MB 2.2MB/s eta 0     |█████████████████████████       | 15.2MB 2.2MB/s eta 0     |█████████████████████████       | 15.2MB 2.2MB/s eta 0     |█████████████████████████▌      | 15.2MB 2.2MB/s eta      |█████████████████████████▌      | 15.2MB 2.2MB/s eta      |█████████████████████████▌      | 15.2MB 2.2MB/s eta      |█████████████████████████▌      | 15.2MB 2.2MB/s eta      |█████████████████████████▌      | 15.3MB 2.2MB/s eta      |█████████████████████████▌      | 15.3MB 2.2MB/s eta      |█████████████████████████▌      | 15.3MB 2.2MB/s eta      |█████████████████████████▌      | 15.3MB 2.2MB/s eta      |█████████████████████████▌      | 15.3MB 2.2MB/s eta      |█████████████████████████▌      | 15.3MB 2.2MB/s eta      |█████████████████████████▌      | 15.3MB 2.2MB/s eta      |█████████████████████████▌      | 15.3MB 2.2MB/s eta      |█████████████████████████▌      | 15.3MB 2.2MB/s eta      |█████████████████████████▌      | 15.3MB 2.2MB/s eta      |█████████████████████████▌      | 15.4MB 2.2MB/s eta      |█████████████████████████▌      | 15.4MB 2.2MB/s eta      |█████████████████████████▌      | 15.4MB 2.2MB/s eta      |█████████████████████████▌      | 15.4MB 2.2MB/s eta      |█████████████████████████▌      | 15.4MB 2.2MB/s eta      |█████████████████████████▌      | 15.4MB 2.2MB/s eta      |██████████████████████████      | 15.4MB 2.2MB/s eta      |██████████████████████████      | 15.4MB 2.2MB/s eta      |██████████████████████████      | 15.4MB 2.2MB/s eta      |██████████████████████████      | 15.5MB 2.2MB/s eta      |██████████████████████████      | 15.5MB 2.2MB/s eta      |██████████████████████████      | 15.5MB 2.2MB/s eta      |██████████████████████████      | 15.5MB 2.2MB/s eta      |██████████████████████████      | 15.5MB 2.2MB/s eta      |██████████████████████████      | 15.5MB 2.2MB/s eta      |██████████████████████████      | 15.5MB 2.2MB/s eta      |██████████████████████████      | 15.5MB 2.2MB/s eta      |██████████████████████████      | 15.5MB 2.2MB/s eta      |██████████████████████████      | 15.5MB 2.2MB/s eta      |██████████████████████████      | 15.6MB 2.2MB/s eta      |██████████████████████████      | 15.6MB 2.2MB/s eta      |██████████████████████████      | 15.6MB 2.2MB/s eta      |██████████████████████████      | 15.6MB 2.2MB/s eta      |██████████████████████████      | 15.6MB 2.2MB/s eta      |██████████████████████████      | 15.6MB 2.2MB/s eta      |██████████████████████████      | 15.6MB 2.2MB/s eta      |██████████████████████████      | 15.6MB 2.2MB/s eta      |██████████████████████████      | 15.6MB 2.2MB/s eta      |██████████████████████████      | 15.6MB 2.2MB/s eta      |██████████████████████████      | 15.7MB 2.2MB/s eta      |██████████████████████████      | 15.7MB 2.2MB/s eta      |██████████████████████████      | 15.7MB 2.2MB/s eta      |██████████████████████████      | 15.7MB 2.2MB/s eta      |██████████████████████████      | 15.7MB 939kB/s eta      |██████████████████████████      | 15.7MB 939kB/s eta      |██████████████████████████      | 15.7MB 939kB/s eta      |██████████████████████████      | 15.7MB 939kB/s eta      |██████████████████████████      | 15.7MB 939kB/s eta      |██████████████████████████      | 15.7MB 939kB/s eta      |██████████████████████████      | 15.8MB 939kB/s eta      |██████████████████████████      | 15.8MB 939kB/s eta      |██████████████████████████      | 15.8MB 939kB/s eta      |██████████████████████████      | 15.8MB 939kB/s eta      |██████████████████████████      | 15.8MB 939kB/s eta      |██████████████████████████      | 15.8MB 939kB/s eta      |██████████████████████████▌     | 15.8MB 939kB/s eta     |██████████████████████████▌     | 15.8MB 939kB/s eta     |██████████████████████████▌     | 15.8MB 939kB/s eta     |██████████████████████████▌     | 15.9MB 939kB/s eta     |██████████████████████████▌     | 15.9MB 939kB/s eta     |██████████████████████████▌     | 15.9MB 939kB/s eta     |██████████████████████████▌     | 15.9MB 939kB/s eta     |██████████████████████████▌     | 15.9MB 939kB/s eta     |██████████████████████████▌     | 15.9MB 939kB/s eta     |██████████████████████████▌     | 15.9MB 939kB/s eta     |██████████████████████████▌     | 15.9MB 939kB/s eta     |██████████████████████████▌     | 15.9MB 939kB/s eta     |██████████████████████████▌     | 15.9MB 939kB/s eta     |██████████████████████████▌     | 16.0MB 939kB/s eta     |██████████████████████████▌     | 16.0MB 939kB/s eta     |██████████████████████████▌     | 16.0MB 939kB/s eta     |██████████████████████████▌     | 16.0MB 939kB/s eta     |██████████████████████████▌     | 16.0MB 939kB/s eta     |██████████████████████████▌     | 16.0MB 939kB/s eta     |███████████████████████████     | 16.0MB 939kB/s eta     |███████████████████████████     | 16.0MB 939kB/s eta     |███████████████████████████     | 16.0MB 939kB/s eta     |███████████████████████████     | 16.0MB 939kB/s eta     |███████████████████████████     | 16.1MB 939kB/s eta     |███████████████████████████     | 16.1MB 939kB/s eta     |███████████████████████████     | 16.1MB 939kB/s eta     |███████████████████████████     | 16.1MB 939kB/s eta     |███████████████████████████     | 16.1MB 939kB/s eta     |███████████████████████████     | 16.1MB 939kB/s eta     |███████████████████████████     | 16.1MB 939kB/s eta     |███████████████████████████     | 16.1MB 939kB/s eta     |███████████████████████████     | 16.1MB 939kB/s eta     |███████████████████████████     | 16.1MB 939kB/s eta     |███████████████████████████     | 16.2MB 939kB/s eta     |███████████████████████████     | 16.2MB 939kB/s eta     |███████████████████████████     | 16.2MB 939kB/s eta     |███████████████████████████     | 16.2MB 939kB/s eta     |███████████████████████████     | 16.2MB 939kB/s eta     |███████████████████████████     | 16.2MB 939kB/s eta     |███████████████████████████     | 16.2MB 939kB/s eta     |███████████████████████████     | 16.2MB 939kB/s eta     |███████████████████████████     | 16.2MB 939kB/s eta     |███████████████████████████     | 16.3MB 939kB/s eta     |███████████████████████████     | 16.3MB 939kB/s eta     |███████████████████████████     | 16.3MB 939kB/s eta     |███████████████████████████     | 16.3MB 939kB/s eta     |███████████████████████████     | 16.3MB 939kB/s eta     |███████████████████████████     | 16.3MB 939kB/s eta     |███████████████████████████     | 16.3MB 939kB/s eta     |███████████████████████████     | 16.3MB 939kB/s eta     |███████████████████████████     | 16.3MB 939kB/s eta     |███████████████████████████     | 16.3MB 939kB/s eta     |███████████████████████████     | 16.4MB 939kB/s eta     |███████████████████████████     | 16.4MB 939kB/s eta     |███████████████████████████     | 16.4MB 939kB/s eta     |███████████████████████████     | 16.4MB 939kB/s eta     |███████████████████████████     | 16.4MB 939kB/s eta     |███████████████████████████     | 16.4MB 939kB/s eta     |███████████████████████████▌    | 16.4MB 939kB/s et     |███████████████████████████▌    | 16.4MB 939kB/s et     |███████████████████████████▌    | 16.4MB 939kB/s et     |███████████████████████████▌    | 16.4MB 939kB/s et     |███████████████████████████▌    | 16.5MB 939kB/s et     |███████████████████████████▌    | 16.5MB 939kB/s et     |███████████████████████████▌    | 16.5MB 939kB/s et     |███████████████████████████▌    | 16.5MB 939kB/s et     |███████████████████████████▌    | 16.5MB 939kB/s et     |███████████████████████████▌    | 16.5MB 939kB/s et     |███████████████████████████▌    | 16.5MB 939kB/s et     |███████████████████████████▌    | 16.5MB 939kB/s et     |███████████████████████████▌    | 16.5MB 939kB/s et     |███████████████████████████▌    | 16.5MB 939kB/s et     |███████████████████████████▌    | 16.6MB 939kB/s et     |███████████████████████████▌    | 16.6MB 939kB/s et     |███████████████████████████▌    | 16.6MB 939kB/s et     |███████████████████████████▌    | 16.6MB 939kB/s et     |███████████████████████████▌    | 16.6MB 939kB/s et     |███████████████████████████▌    | 16.6MB 939kB/s et     |████████████████████████████    | 16.6MB 939kB/s et     |████████████████████████████    | 16.6MB 939kB/s et     |████████████████████████████    | 16.6MB 939kB/s et     |████████████████████████████    | 16.7MB 939kB/s et     |████████████████████████████    | 16.7MB 939kB/s et     |████████████████████████████    | 16.7MB 939kB/s et     |████████████████████████████    | 16.7MB 939kB/s et     |████████████████████████████    | 16.7MB 939kB/s et     |████████████████████████████    | 16.7MB 1.1MB/s et     |████████████████████████████    | 16.7MB 1.1MB/s et     |████████████████████████████    | 16.7MB 1.1MB/s et     |████████████████████████████    | 16.7MB 1.1MB/s et     |████████████████████████████    | 16.7MB 1.1MB/s et     |████████████████████████████    | 16.8MB 1.1MB/s et     |████████████████████████████    | 16.8MB 1.1MB/s et     |████████████████████████████    | 16.8MB 1.1MB/s et     |████████████████████████████    | 16.8MB 1.1MB/s et     |████████████████████████████    | 16.8MB 1.1MB/s et     |████████████████████████████    | 16.8MB 1.1MB/s et     |████████████████████████████    | 16.8MB 1.1MB/s et     |████████████████████████████    | 16.8MB 1.1MB/s et     |████████████████████████████    | 16.8MB 1.1MB/s et     |████████████████████████████    | 16.8MB 1.1MB/s et     |████████████████████████████    | 16.9MB 1.1MB/s et     |████████████████████████████    | 16.9MB 1.1MB/s et     |████████████████████████████    | 16.9MB 1.1MB/s et     |████████████████████████████    | 16.9MB 1.1MB/s et     |████████████████████████████    | 16.9MB 1.1MB/s et     |████████████████████████████    | 16.9MB 1.1MB/s et     |████████████████████████████    | 16.9MB 1.1MB/s et     |████████████████████████████    | 16.9MB 1.1MB/s et     |████████████████████████████    | 16.9MB 1.1MB/s et     |████████████████████████████    | 16.9MB 1.1MB/s et     |████████████████████████████    | 17.0MB 1.1MB/s et     |████████████████████████████    | 17.0MB 1.1MB/s et     |████████████████████████████    | 17.0MB 1.1MB/s et     |████████████████████████████    | 17.0MB 1.1MB/s et     |████████████████████████████    | 17.0MB 1.1MB/s et     |████████████████████████████    | 17.0MB 1.1MB/s et     |████████████████████████████▌   | 17.0MB 1.1MB/s e     |████████████████████████████▌   | 17.0MB 1.1MB/s e     |████████████████████████████▌   | 17.0MB 1.1MB/s e     |████████████████████████████▌   | 17.0MB 1.1MB/s e     |████████████████████████████▌   | 17.1MB 1.1MB/s e     |████████████████████████████▌   | 17.1MB 1.1MB/s e     |████████████████████████████▌   | 17.1MB 1.1MB/s e     |████████████████████████████▌   | 17.1MB 1.1MB/s e     |████████████████████████████▌   | 17.1MB 1.1MB/s e     |████████████████████████████▌   | 17.1MB 1.1MB/s e     |████████████████████████████▌   | 17.1MB 1.1MB/s e     |████████████████████████████▌   | 17.1MB 1.1MB/s e     |████████████████████████████▌   | 17.1MB 1.1MB/s e     |████████████████████████████▌   | 17.2MB 1.1MB/s e     |████████████████████████████▌   | 17.2MB 1.1MB/s e     |████████████████████████████▌   | 17.2MB 1.1MB/s e     |████████████████████████████▌   | 17.2MB 1.1MB/s e     |████████████████████████████▌   | 17.2MB 1.1MB/s e     |████████████████████████████▌   | 17.2MB 1.1MB/s e     |█████████████████████████████   | 17.2MB 1.1MB/s e     |█████████████████████████████   | 17.2MB 1.1MB/s e     |█████████████████████████████   | 17.2MB 1.1MB/s e     |█████████████████████████████   | 17.2MB 1.1MB/s e     |█████████████████████████████   | 17.3MB 1.1MB/s e     |█████████████████████████████   | 17.3MB 1.1MB/s e     |█████████████████████████████   | 17.3MB 1.1MB/s e     |█████████████████████████████   | 17.3MB 1.1MB/s e     |█████████████████████████████   | 17.3MB 1.1MB/s e     |█████████████████████████████   | 17.3MB 1.1MB/s e     |█████████████████████████████   | 17.3MB 1.1MB/s e     |█████████████████████████████   | 17.3MB 1.1MB/s e     |█████████████████████████████   | 17.3MB 1.1MB/s e     |█████████████████████████████   | 17.3MB 1.1MB/s e     |█████████████████████████████   | 17.4MB 1.1MB/s e     |█████████████████████████████   | 17.4MB 1.1MB/s e     |█████████████████████████████   | 17.4MB 1.1MB/s e     |█████████████████████████████   | 17.4MB 1.1MB/s e     |█████████████████████████████   | 17.4MB 1.1MB/s e     |█████████████████████████████   | 17.4MB 1.1MB/s e     |█████████████████████████████   | 17.4MB 1.1MB/s e     |█████████████████████████████   | 17.4MB 1.1MB/s e     |█████████████████████████████   | 17.4MB 1.1MB/s e     |█████████████████████████████   | 17.4MB 1.1MB/s e     |█████████████████████████████   | 17.5MB 1.1MB/s e     |█████████████████████████████   | 17.5MB 1.1MB/s e     |█████████████████████████████   | 17.5MB 1.1MB/s e     |█████████████████████████████   | 17.5MB 1.1MB/s e     |█████████████████████████████   | 17.5MB 1.1MB/s e     |█████████████████████████████   | 17.5MB 1.1MB/s e     |█████████████████████████████   | 17.5MB 1.1MB/s e     |█████████████████████████████   | 17.5MB 1.1MB/s e     |█████████████████████████████   | 17.5MB 1.1MB/s e     |█████████████████████████████   | 17.6MB 1.1MB/s e     |█████████████████████████████   | 17.6MB 1.1MB/s e     |█████████████████████████████   | 17.6MB 1.1MB/s e     |█████████████████████████████   | 17.6MB 1.1MB/s e     |█████████████████████████████   | 17.6MB 1.1MB/s e     |█████████████████████████████   | 17.6MB 1.1MB/s e     |█████████████████████████████   | 17.6MB 1.1MB/s e     |█████████████████████████████▌  | 17.6MB 1.1MB/s      |█████████████████████████████▌  | 17.6MB 1.1MB/s      |█████████████████████████████▌  | 17.6MB 1.1MB/s      |█████████████████████████████▌  | 17.7MB 1.1MB/s      |█████████████████████████████▌  | 17.7MB 1.1MB/s      |█████████████████████████████▌  | 17.7MB 1.1MB/s      |█████████████████████████████▌  | 17.7MB 1.1MB/s      |█████████████████████████████▌  | 17.7MB 1.1MB/s      |█████████████████████████████▌  | 17.7MB 1.1MB/s      |█████████████████████████████▌  | 17.7MB 819kB/s      |█████████████████████████████▌  | 17.7MB 819kB/s      |█████████████████████████████▌  | 17.7MB 819kB/s      |█████████████████████████████▌  | 17.7MB 819kB/s      |█████████████████████████████▌  | 17.8MB 819kB/s      |█████████████████████████████▌  | 17.8MB 819kB/s      |█████████████████████████████▌  | 17.8MB 819kB/s      |█████████████████████████████▌  | 17.8MB 819kB/s      |█████████████████████████████▌  | 17.8MB 819kB/s      |█████████████████████████████▌  | 17.8MB 819kB/s      |██████████████████████████████  | 17.8MB 819kB/s      |██████████████████████████████  | 17.8MB 819kB/s      |██████████████████████████████  | 17.8MB 819kB/s      |██████████████████████████████  | 17.8MB 819kB/s      |██████████████████████████████  | 17.9MB 819kB/s      |██████████████████████████████  | 17.9MB 819kB/s      |██████████████████████████████  | 17.9MB 819kB/s      |██████████████████████████████  | 17.9MB 819kB/s      |██████████████████████████████  | 17.9MB 819kB/s      |██████████████████████████████  | 17.9MB 819kB/s      |██████████████████████████████  | 17.9MB 819kB/s      |██████████████████████████████  | 17.9MB 819kB/s      |██████████████████████████████  | 17.9MB 819kB/s      |██████████████████████████████  | 18.0MB 819kB/s      |██████████████████████████████  | 18.0MB 819kB/s      |██████████████████████████████  | 18.0MB 819kB/s      |██████████████████████████████  | 18.0MB 819kB/s      |██████████████████████████████  | 18.0MB 819kB/s      |██████████████████████████████  | 18.0MB 819kB/s      |██████████████████████████████  | 18.0MB 819kB/s      |██████████████████████████████  | 18.0MB 819kB/s      |██████████████████████████████  | 18.0MB 819kB/s      |██████████████████████████████  | 18.0MB 819kB/s      |██████████████████████████████  | 18.1MB 819kB/s      |██████████████████████████████  | 18.1MB 819kB/s      |██████████████████████████████  | 18.1MB 819kB/s      |██████████████████████████████  | 18.1MB 819kB/s      |██████████████████████████████  | 18.1MB 819kB/s      |██████████████████████████████  | 18.1MB 819kB/s      |██████████████████████████████  | 18.1MB 819kB/s      |██████████████████████████████  | 18.1MB 819kB/s      |██████████████████████████████  | 18.1MB 819kB/s      |██████████████████████████████  | 18.1MB 819kB/s      |██████████████████████████████  | 18.2MB 819kB/s      |██████████████████████████████  | 18.2MB 819kB/s      |██████████████████████████████  | 18.2MB 819kB/s      |██████████████████████████████  | 18.2MB 819kB/s      |██████████████████████████████  | 18.2MB 819kB/s      |██████████████████████████████  | 18.2MB 819kB/s      |██████████████████████████████▌ | 18.2MB 819kB/s     |██████████████████████████████▌ | 18.2MB 819kB/s     |██████████████████████████████▌ | 18.2MB 819kB/s     |██████████████████████████████▌ | 18.2MB 819kB/s     |██████████████████████████████▌ | 18.3MB 819kB/s     |██████████████████████████████▌ | 18.3MB 819kB/s     |██████████████████████████████▌ | 18.3MB 819kB/s     |██████████████████████████████▌ | 18.3MB 819kB/s     |██████████████████████████████▌ | 18.3MB 819kB/s     |██████████████████████████████▌ | 18.3MB 819kB/s     |██████████████████████████████▌ | 18.3MB 819kB/s     |██████████████████████████████▌ | 18.3MB 819kB/s     |██████████████████████████████▌ | 18.3MB 819kB/s     |██████████████████████████████▌ | 18.4MB 819kB/s     |██████████████████████████████▌ | 18.4MB 819kB/s     |██████████████████████████████▌ | 18.4MB 819kB/s     |██████████████████████████████▌ | 18.4MB 819kB/s     |██████████████████████████████▌ | 18.4MB 819kB/s     |██████████████████████████████▌ | 18.4MB 819kB/s     |██████████████████████████████▌ | 18.4MB 819kB/s     |███████████████████████████████ | 18.4MB 819kB/s     |███████████████████████████████ | 18.4MB 819kB/s     |███████████████████████████████ | 18.4MB 819kB/s     |███████████████████████████████ | 18.5MB 819kB/s     |███████████████████████████████ | 18.5MB 819kB/s     |███████████████████████████████ | 18.5MB 819kB/s     |███████████████████████████████ | 18.5MB 819kB/s     |███████████████████████████████ | 18.5MB 819kB/s     |███████████████████████████████ | 18.5MB 819kB/s     |███████████████████████████████ | 18.5MB 819kB/s     |███████████████████████████████ | 18.5MB 819kB/s     |███████████████████████████████ | 18.5MB 819kB/s     |███████████████████████████████ | 18.5MB 819kB/s     |███████████████████████████████ | 18.6MB 819kB/s     |███████████████████████████████ | 18.6MB 819kB/s     |███████████████████████████████ | 18.6MB 819kB/s     |███████████████████████████████ | 18.6MB 819kB/s     |███████████████████████████████ | 18.6MB 819kB/s     |███████████████████████████████ | 18.6MB 819kB/s     |███████████████████████████████ | 18.6MB 819kB/s     |███████████████████████████████ | 18.6MB 819kB/s     |███████████████████████████████ | 18.6MB 819kB/s     |███████████████████████████████ | 18.6MB 819kB/s     |███████████████████████████████ | 18.7MB 819kB/s     |███████████████████████████████ | 18.7MB 819kB/s     |███████████████████████████████ | 18.7MB 819kB/s     |███████████████████████████████ | 18.7MB 819kB/s     |███████████████████████████████ | 18.7MB 819kB/s     |███████████████████████████████ | 18.7MB 819kB/s     |███████████████████████████████ | 18.7MB 819kB/s     |███████████████████████████████ | 18.7MB 819kB/s     |███████████████████████████████ | 18.7MB 819kB/s     |███████████████████████████████ | 18.7MB 819kB/s     |███████████████████████████████ | 18.8MB 819kB/s     |███████████████████████████████ | 18.8MB 819kB/s     |███████████████████████████████ | 18.8MB 819kB/s     |███████████████████████████████ | 18.8MB 819kB/s     |███████████████████████████████ | 18.8MB 819kB/s     |███████████████████████████████ | 18.8MB 819kB/s     |███████████████████████████████▌| 18.8MB 819kB/     |███████████████████████████████▌| 18.8MB 819kB/     |███████████████████████████████▌| 18.8MB 819kB/     |███████████████████████████████▌| 18.9MB 819kB/     |███████████████████████████████▌| 18.9MB 819kB/     |███████████████████████████████▌| 18.9MB 819kB/     |███████████████████████████████▌| 18.9MB 819kB/     |███████████████████████████████▌| 18.9MB 819kB/     |███████████████████████████████▌| 18.9MB 819kB/     |███████████████████████████████▌| 18.9MB 819kB/     |███████████████████████████████▌| 18.9MB 819kB/     |███████████████████████████████▌| 18.9MB 819kB/     |███████████████████████████████▌| 18.9MB 819kB/     |███████████████████████████████▌| 19.0MB 819kB/     |███████████████████████████████▌| 19.0MB 819kB/     |███████████████████████████████▌| 19.0MB 819kB/     |███████████████████████████████▌| 19.0MB 819kB/     |███████████████████████████████▌| 19.0MB 819kB/     |███████████████████████████████▌| 19.0MB 819kB/     |████████████████████████████████| 19.0MB 819kB/     |████████████████████████████████| 19.0MB 819kB/     |████████████████████████████████| 19.0MB 819kB/     |████████████████████████████████| 19.0MB 819kB/     |████████████████████████████████| 19.1MB 819kB/     |████████████████████████████████| 19.1MB 819kB/     |████████████████████████████████| 19.1MB 819kB/     |████████████████████████████████| 19.1MB 819kB/     |████████████████████████████████| 19.1MB 819kB/     |████████████████████████████████| 19.1MB 819kB/     |████████████████████████████████| 19.1MB 819kB/     |████████████████████████████████| 19.1MB 819kB/     |████████████████████████████████| 19.1MB 819kB/     |████████████████████████████████| 19.1MB 819kB/     |████████████████████████████████| 19.2MB 819kB/     |████████████████████████████████| 19.2MB 819kB/     |████████████████████████████████| 19.2MB 819kB/     |████████████████████████████████| 19.2MB 819kB/     |████████████████████████████████| 19.2MB 819kB/     |████████████████████████████████| 19.2MB 819kB/     |████████████████████████████████| 19.2MB 819kB/s
Building wheels for collected packages: jieba
  Building wheel for jieba (setup.py) ... done
  Created wheel for jieba: filename=jieba-0.42.1-cp37-none-any.whl size=19314482 sha256=fd3cda747db2ef9a3538e790ff6b9149e2f9ba3e3d1475bc01a97a71714fdcc3
  Stored in directory: C:\Users\86571\AppData\Local\pip\Cache\wheels\4f\cf\6e\c795c3411c5dfe075550ef91531759a64651cb93288fd4e863
Successfully built jieba
Installing collected packages: jieba
Successfully installed jieba-0.42.1

三、原理

四、使用說明

1. jieba分詞的三種模式

2. jieba庫常用函數

五、實例

資源下載:

  1. 《Hamet》
  2. 《三國演義》

1. Hamet分詞

def getText():
    # 打開文件,開始讀取
    txt=open("D:\workspace\Python\learn\Hamlet.txt","r").read()
    # 爲了避免大小寫對於統計的影響,英文字符都轉化成小寫
    txt=txt.lower()
    # 利用空格替換特殊符號
    for ch in '!"#$%&()*+,-./:;<=>?@[\\]^_‘{|}~':
        txt=txt.replace(ch," ")
    return txt

# 讀取,歸一化
hamletTxt=getText()
# .split用空格分割文本,並形成一個列表
   # .split默認使用空格進行分割,以列表形式返回給變量
   # words是列表類型,內容是有空格分割形成的一個個單詞
words=hamletTxt.split()

# 標記每個單詞出現的次數,使用字典表示映射關係
counts={}
# 逐一從words列表中取出每一個元素,判斷此元素是否在counts中
for word in words:
    # 字典.get(k,v)用來從字典中獲得某一個鍵k對應的值,若此鍵不存在,則返回默認值v
    # counts.get(word,0)判斷word鍵是否存在
         # 若存在,返回此鍵對應的值,並將值+1
         # 若不存在,返回默認值)0,並將該鍵加入到字典,並將該鍵對應的值+1
    counts[word]=counts.get(word,0)+1

# 對詞頻出現次數進行排序
# 將字典類型轉化成列表類型,便於排序
   #使用list將counts.items變成列表類型
items=list(counts.items())
# 對於列表類型使用sort方法排序
# sort方法中有一個lambda參數,用於指定在列表中使用哪一個多元選項的列作爲排序列
# 默認從小到大排序,reverse=true,則返回的列表是從大到小排序
# 此例是按照鍵值對中的值進行排序
items.sort(key=lambda x:x[1],reverse=True)
# 輸出前10個鍵值對
for i in range(10):
    word,count=items[i]
    print("{0:<10}{1:>5}".format(word,count))

2. 《三國演義》人物出場統計

import jieba
# 打開文件
txt=open("D:\workspace\三國演義.txt","r",encoding="utf-8").read()
# lcut: 分詞處理,形成列表
words=jieba.lcut(txt)
# 構造一個空字典
counts={}
# 逐一遍歷words中的每一箇中文單詞
for word in words:
     if len(word)==1:
         continue
     else:
         counts[word]=counts.get(word,0)+1
         
items=list(counts.items())
items.sort(key=lambda x:x[1],reverse=True)
for i in range(15):
     word,count=items[i]
     print("{0:<10}{1:>5}".format(word, count))


調整版:

import jieba
excludes = {"將軍","卻說","荊州","二人","不可","不能","如此"}
txt=open("D:\workspace\三國演義.txt","r",encoding="utf-8").read()
words  = jieba.lcut(txt)
counts = {}
for word in words:
    if len(word) == 1:
        continue
    elif word == "諸葛亮" or word == "孔明曰":
        rword = "孔明"
    elif word == "關公" or word == "雲長":
        rword = "關羽"
    elif word == "玄德" or word == "玄德曰":
        rword = "劉備"
    elif word == "孟德" or word == "丞相":
        rword = "曹操"
    else:
        rword = word
    counts[rword] = counts.get(rword,0) + 1
for word in excludes:
    del counts[word]
items = list(counts.items())
items.sort(key=lambda x:x[1], reverse=True)
for i in range(10):
    word, count = items[i]
    print ("{0:<10}{1:>5}".format(word, count))

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章