從本文開始，我們進入實戰(zhàn)部分。首先，我們按照中文自然語言處理流程的第一步獲取語料，然后重點進行中文分詞的學(xué)習(xí)。中文分詞有很多種，常見的比如有中科院計算所 NLPIR、哈工大 LTP、清華大學(xué) THULAC 、斯坦福分詞器、Hanlp 分詞器、jieba 分詞、IKAnalyzer 等。這里針對 jieba 和 HanLP 分別介紹不同場景下的中文分詞應(yīng)用。
溫嶺ssl適用于網(wǎng)站、小程序/APP、API接口等需要進行數(shù)據(jù)傳輸應(yīng)用場景，ssl證書未來市場廣闊！成為成都創(chuàng)新互聯(lián)的ssl證書銷售渠道，可以享受市場價格4-6折優(yōu)惠！如果有意向歡迎電話聯(lián)系或者加微信：028-86922220（備注：SSL證書合作）期待與您的合作！
（1）Python 2.x 下 jieba 的三種安裝方式，如下：
全自動安裝
：執(zhí)行命令
easy_install jieba
或者
pip install jieba
/
pip3 install jieba
，可實現(xiàn)全自動安裝。
半自動安裝
：先
下載 jieba
，解壓后運行
python setup.py install
。
手動安裝 ：將 jieba 目錄放置于當前目錄或者 site-packages 目錄。
安裝完通過
import jieba
驗證安裝成功與否。
（2）Python 3.x 下的安裝方式。
Github 上 jieba 的 Python3.x 版本的路徑是： https://github.com/fxsjy/jieba/tree/jieba3k 。
通過
git clone https://github.com/fxsjy/jieba.git
命令下載到本地，然后解壓，再通過命令行進入解壓目錄，執(zhí)行
python setup.py install
命令，即可安裝成功。
主要有以下三種：
基于統(tǒng)計詞典，構(gòu)造前綴詞典，基于前綴詞典對句子進行切分，得到所有切分可能，根據(jù)切分位置，構(gòu)造一個有向無環(huán)圖（DAG）；
基于DAG圖，采用動態(tài)規(guī)劃計算最大概率路徑（最有可能的分詞結(jié)果），根據(jù)最大概率路徑分詞；
對于新詞(詞庫中沒有的詞），采用有漢字成詞能力的 HMM 模型進行切分。
下面我們進行 jieba 分詞練習(xí)，第一步首先引入 jieba 和語料:
import jieba content = "現(xiàn)如今，機器學(xué)習(xí)和深度學(xué)習(xí)帶動人工智能飛速的發(fā)展，并在圖片處理、語音識別領(lǐng)域取得巨大成功。"
（1） 精確分詞
精確分詞：精確模式試圖將句子最精確地切開，精確分詞也是默認分詞。
重慶分公司
重慶分公司
segs_1 = jieba.cut(content, cut_all=False)print("/".join(segs_1))
其結(jié)果為：
現(xiàn)如今/，/機器/學(xué)習(xí)/和/深度/學(xué)習(xí)/帶動/人工智能/飛速/的/發(fā)展/，/并/在/圖片/處理/、/語音/識別/領(lǐng)域/取得/巨大成功/。
（2） 全模式
全模式分詞：把句子中所有的可能是詞語的都掃描出來，速度非?？?，但不能解決歧義。
segs_3 = jieba.cut(content, cut_all=True) print("/".join(segs_3))
結(jié)果為：
現(xiàn)如今/如今///機器/學(xué)習(xí)/和/深度/學(xué)習(xí)/帶動/動人/人工/人工智能/智能/飛速/的/發(fā)展///并/在/圖片/處理///語音/識別/領(lǐng)域/取得/巨大/巨大成功/大成/成功//
（3） 搜索引擎模式
搜索引擎模式：在精確模式的基礎(chǔ)上，對長詞再次切分，提高召回率，適合用于搜索引擎分詞。
segs_4 = jieba.cut_for_search(content) print("/".join(segs_4))
結(jié)果為：
如今/現(xiàn)如今/，/機器/學(xué)習(xí)/和/深度/學(xué)習(xí)/帶動/人工/智能/人工智能/飛速/的/發(fā)展/，/并/在/圖片/處理/、/語音/識別/領(lǐng)域/取得/巨大/大成/成功/巨大成功/。
（4） 用 lcut 生成 list
jieba.cut 以及
jieba.cut_for_search
返回的結(jié)構(gòu)都是一個可迭代的 Generator，可以使用 for 循環(huán)來獲得分詞后得到的每一個詞語（Unicode）。jieba.lcut 對 cut 的結(jié)果做了封裝，l 代表 list，即返回的結(jié)果是一個 list 集合。同樣的，用
jieba.lcut_for_search
也直接返回 list 集合。
segs_5 = jieba.lcut(content) print(segs_5)
結(jié)果為：
['現(xiàn)如今', '，', '機器', '學(xué)習(xí)', '和', '深度', '學(xué)習(xí)', '帶動', '人工智能', '飛速', '的', '發(fā)展', '，', '并', '在', '圖片', '處理', '、', '語音', '識別', '領(lǐng)域', '取得', '巨大成功', '。']
（5） 獲取詞性
jieba 可以很方便地獲取中文詞性，通過 jieba.posseg 模塊實現(xiàn)詞性標注。
import jieba.posseg as psg print([(x.word,x.flag) for x in psg.lcut(content)])
結(jié)果為：
[('現(xiàn)如今', 't'), ('，', 'x'), ('機器', 'n'), ('學(xué)習(xí)', 'v'), ('和', 'c'), ('深度', 'ns'), ('學(xué)習(xí)', 'v'), ('帶動', 'v'), ('人工智能', 'n'), ('飛速', 'n'), ('的', 'uj'), ('發(fā)展', 'vn'), ('，', 'x'), ('并', 'c'), ('在', 'p'), ('圖片', 'n'), ('處理', 'v'), ('、', 'x'), ('語音', 'n'), ('識別', 'v'), ('領(lǐng)域', 'n'), ('取得', 'v'), ('巨大成功', 'nr'), ('。', 'x')]
（6） 并行分詞
并行分詞原理為文本按行分隔后，分配到多個 Python 進程并行分詞，最后歸并結(jié)果。
用法：
jieba.enable_parallel(4) # 開啟并行分詞模式，參數(shù)為并行進程數(shù) 。jieba.disable_parallel() # 關(guān)閉并行分詞模式 。
注意： 并行分詞僅支持默認分詞器 jieba.dt 和 jieba.posseg.dt。目前暫不支持 Windows。
（7） 獲取分詞結(jié)果中詞列表的 top n
from collections import Counter top5= Counter(segs_5).most_common(5) print(top5)
結(jié)果為：
[('，', 2), ('學(xué)習(xí)', 2), ('現(xiàn)如今', 1), ('機器', 1), ('和', 1)]
（8） 自定義添加詞和字典
默認情況下，使用默認分詞，是識別不出這句話中的“鐵甲網(wǎng)”這個新詞，這里使用用戶字典提高分詞準確性。
txt = "鐵甲網(wǎng)是中國最大的工程機械交易平臺。" print(jieba.lcut(txt))
結(jié)果為：
['鐵甲', '網(wǎng)是', '中國', '最大', '的', '工程機械', '交易平臺', '。']
如果添加一個詞到字典，看結(jié)果就不一樣了。
jieba.add_word("鐵甲網(wǎng)") print(jieba.lcut(txt))
結(jié)果為：
['鐵甲網(wǎng)', '是', '中國', '最大', '的', '工程機械', '交易平臺', '。']
但是，如果要添加很多個詞，一個個添加效率就不夠高了，這時候可以定義一個文件，然后通過
load_userdict()
函數(shù)，加載自定義詞典，如下：
jieba.load_userdict('user_dict.txt') print(jieba.lcut(txt))
結(jié)果為：
['鐵甲網(wǎng)', '是', '中國', '最大', '的', '工程機械', '交易平臺', '。']
注意事項：
jieba.cut 方法接受三個輸入?yún)?shù): 需要分詞的字符串；
cut_all
參數(shù)用來控制是否采用全模式；HMM 參數(shù)用來控制是否使用 HMM 模型。
jieba.cut_for_search
方法接受兩個參數(shù)：需要分詞的字符串；是否使用 HMM 模型。該方法適合用于搜索引擎構(gòu)建倒排索引的分詞，粒度比較細。
其為 HanLP 的 Python 接口，支持自動下載與升級 HanLP，兼容 Python2、Python3。
安裝命令為
pip install pyhanlp
，使用命令 hanlp 來驗證安裝。
pyhanlp 目前使用 jpype1 這個 Python 包來調(diào)用 HanLP，如果遇到：
building '_jpype' extensionerror: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft VisualC++ Build Tools": http://landinghub.visualstudio.com/visual-cpp-build-tools
則推薦利用輕量級的 Miniconda 來下載編譯好的 jpype1。
conda install -c conda-forge jpype1 pip install pyhanlp
未安裝 Java 時會報錯 ：
jpype. jvmfinder.JVMNotFoundException: No JVM shared library file (jvm.dll) found. Try setting up the JAVA HOME environment variable properly.
HanLP 主項目采用 Java 開發(fā)，所以需要 Java 運行環(huán)境，請安裝 JDK。
在命令行界面，使用命令 hanlp segment 進入交互分詞模式，輸入一個句子并回車，HanLP 會輸出分詞結(jié)果：
HanlP分詞1.png
HanLp分詞2.png
可見，pyhanlp 分詞結(jié)果是帶有詞性的。
通過 hanlp serve 來啟動內(nèi)置的 HTTP 服務(wù)器，默認本地訪問地址為： http://localhost:8765 。
Hanlp分詞3.png
enter image description here
也可以訪問官網(wǎng)演示頁面： http://hanlp.hankcs.com/ 。
通過工具類 HanLP 調(diào)用常用接口，這種方式應(yīng)該是我們在項目中最常用的方式。
（1）分詞
from pyhanlp import * content = "現(xiàn)如今，機器學(xué)習(xí)和深度學(xué)習(xí)帶動人工智能飛速的發(fā)展，并在圖片處理、語音識別領(lǐng)域取得巨大成功。" print(HanLP.segment(content))
結(jié)果為：
[現(xiàn)如今/t, ，/w, 機器學(xué)習(xí)/gi, 和/cc, 深度/n, 學(xué)習(xí)/v, 帶動/v, 人工智能/n, 飛速/d, 的/ude1, 發(fā)展/vn, ，/w, 并/cc, 在/p, 圖片/n, 處理/vn, 、/w, 語音/n, 識別/vn, 領(lǐng)域/n, 取得/v, 巨大/a, 成功/a, 。/w]
（2）自定義詞典分詞
在沒有使用自定義字典時的分詞。
txt = "鐵甲網(wǎng)是中國最大的工程機械交易平臺。" print(HanLP.segment(txt))
結(jié)果為：
[鐵甲/n, 網(wǎng)/n, 是/vshi, 中國/ns, 最大/gm, 的/ude1, 工程/n, 機械/n, 交易/vn, 平臺/n, 。/w]
添加自定義新詞：
CustomDictionary.add("鐵甲網(wǎng)")
CustomDictionary.insert("工程機械", "nz 1024")
CustomDictionary.add("交易平臺", "nz 1024 n 1") print(HanLP.segment(txt))
結(jié)果為：
[鐵甲網(wǎng)/nz, 是/vshi, 中國/ns, 最大/gm, 的/ude1, 工程機械/nz, 交易平臺/nz, 。/w]
當然了，jieba 和 pyhanlp 能做的事還有很多，關(guān)鍵詞提取、自動摘要、依存句法分析、情感分析等，后面章節(jié)我們將會講到，這里不再贅述。
文章來源于米飯超人的博客
