Python入门——jieba库和应用


以下内容来自于网课学习笔记。

使用的环境:

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

一、jieba库概述

jieba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是优秀的中文分词第三方库,需要额外安装
  • jieba库提供三种分词模式,最简单只需掌握一个函数

二、安装jieba库

Microsoft Windows [版本 10.0.18363.720]
(c) 2019 Microsoft Corporation。保留所有权利。

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、使用说明

1. jieba分词的三种模式

2. jieba库常用函数

五、实例

资源下载:

  1. 《Hamet》
  2. 《三国演义》

1. Hamet分词

def getText():
    # 打开文件,开始读取
    txt=open("D:\workspace\Python\learn\Hamlet.txt","r").read()
    # 为了避免大小写对于统计的影响,英文字符都转化成小写
    txt=txt.lower()
    # 利用空格替换特殊符号
    for ch in '!"#$%&()*+,-./:;<=>?@[\\]^_‘{|}~':
        txt=txt.replace(ch," ")
    return txt

# 读取,归一化
hamletTxt=getText()
# .split用空格分割文本,并形成一个列表
   # .split默认使用空格进行分割,以列表形式返回给变量
   # words是列表类型,内容是有空格分割形成的一个个单词
words=hamletTxt.split()

# 标记每个单词出现的次数,使用字典表示映射关系
counts={}
# 逐一从words列表中取出每一个元素,判断此元素是否在counts中
for word in words:
    # 字典.get(k,v)用来从字典中获得某一个键k对应的值,若此键不存在,则返回默认值v
    # counts.get(word,0)判断word键是否存在
         # 若存在,返回此键对应的值,并将值+1
         # 若不存在,返回默认值)0,并将该键加入到字典,并将该键对应的值+1
    counts[word]=counts.get(word,0)+1

# 对词频出现次数进行排序
# 将字典类型转化成列表类型,便于排序
   #使用list将counts.items变成列表类型
items=list(counts.items())
# 对于列表类型使用sort方法排序
# sort方法中有一个lambda参数,用于指定在列表中使用哪一个多元选项的列作为排序列
# 默认从小到大排序,reverse=true,则返回的列表是从大到小排序
# 此例是按照键值对中的值进行排序
items.sort(key=lambda x:x[1],reverse=True)
# 输出前10个键值对
for i in range(10):
    word,count=items[i]
    print("{0:<10}{1:>5}".format(word,count))

2. 《三国演义》人物出场统计

import jieba
# 打开文件
txt=open("D:\workspace\三国演义.txt","r",encoding="utf-8").read()
# lcut: 分词处理,形成列表
words=jieba.lcut(txt)
# 构造一个空字典
counts={}
# 逐一遍历words中的每一个中文单词
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))


调整版:

import jieba
excludes = {"将军","却说","荆州","二人","不可","不能","如此"}
txt=open("D:\workspace\三国演义.txt","r",encoding="utf-8").read()
words  = jieba.lcut(txt)
counts = {}
for word in words:
    if len(word) == 1:
        continue
    elif word == "诸葛亮" or word == "孔明曰":
        rword = "孔明"
    elif word == "关公" or word == "云长":
        rword = "关羽"
    elif word == "玄德" or word == "玄德曰":
        rword = "刘备"
    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