python pynlpir中科院分词的使用
中科院汉语分词系统是一个非常好用的分词工具，和结巴分词类似，但是比结巴分词功能更加强大，而且更加个性化。
中科院分词的使用步骤如下：
- 导入中科院分词模块 初始化pynlpir分词库。
- 在pynlpir库中提供了open()函数用来初始化pynlpir分词库
1、需要下载【pynlpir】库
2、【open()】函数介绍：
open()函数的原型如下：
pynlpir.open(data_dir=pynlpir.nlpir.PACKAGE_DIR, encoding=pynlpir.ENCODING, encoding_errors=pynlpir.ENCODING_ERRORS, license_code=None)
参数说明如下：
data_dir：表示分词数据目录对应的绝对路径，默认值为pynlpir.nlpir.PACKAGE_DIR。
encoding：表示针对中文的编码格式，默认为utf_8，也可以为gbk、big5。
encoding_errors：表示所需的编码错误处理方案，默认为strict，也可以为ignore、replace。
license_code：表示使用中科院分词的许可证编码，仅商业用户需要
import pynlpir #导入pynlpir库
pynlpir.open() #初始化pynlpir分词库
content = "真正的程序员的程序不会在第一次就正确运行，但是他们愿意守着机器进行若干个小时的调试改错。"
#获取语句中的关键字
key_words = pynlpir.get_key_words(content, weighted=False)
for word in key_words:
print (word)
pynlpir.close() #关闭pynlpir，释放内存
3、【segment()】函数介绍：
中科院分词提供了segment()函数进行分词，并返回分词后的列表。函数原型如下：
【pynlpir.segment(s, pos_tagging=True, pos_names='parent', pos_english=True)】
参数说明如下：
s：需要分词的中文，必须是Unicode编码或者UTF-8编码的字符串。
pos_tagging：表示是否包含部分的词性标注，值为False时表示只做分词，而不显示词性（形容词、名词等）。
pos_names：参数在pos_tagging为True时才生效，只能是parent、child和all三个值，默认是parent，表示获取该词性的最顶级词性，child表示获取该词性的最具体的信息，all表示获取该词性相关的所有词性信息。
pos_english：表示词性标注结果是否以中文的形式显示，为False表示以中文的形式显示
import pynlpir #导入pynlpir库
pynlpir.open() #初始化pynlpir分词库
content = "真正的程序员的程序不会在第一次就正确运行，但是他们愿意守着机器进行若干个小时的调试改错。"
#不输出词性
words = pynlpir.segment(content,pos_tagging=False)
for word in words:
print (word,"/")
print ("\n****输出词性****")
#获取分词处理后每个词语以及其最顶级的词性，并以中文输出词性
words = pynlpir.segment(content,pos_tagging=True, pos_names='parent', pos_english=False)
for word in words:
print ("词：", word[0],"词性：", word[1])
pynlpir.close() #关闭pynlpir，释放内存
4、【get_key_words()】函数介绍：
函数原型：【pynlpir.get_key_words(s ,max_words=50, weighted=False)】
参数说明如下：
s：需要分词的中文，必须是Unicode编码或者UTF-8编码的字符串。
max_words：表示最多能够查找的关键字，默认为50。
weighted：表示是否返回关键字的权重，默认不返回
import pynlpir #导入pynlpir库
pynlpir.open() #初始化pynlpir分词库
content = "真正的程序员的程序不会在第一次就正确运行，但是他们愿意守着机器进行若干个小时的调试改错。"
#不输出权重
words = pynlpir.get_key_words(content,weighted=False)
for word in words:
print (word)
print ("\n****关键字带权重****")
words = pynlpir.get_key_words(content,max_words=50,weighted=True)
for word in words:
print ("关键字：",word[0],"权重：",word[1])
pynlpir.close() #关闭pynlpir，释放内存
5、实际使用：
在实际使用中，往往需要针对某一段文字统计其中关键字出现的次数。
’通过对次数的统计可以知道哪些关键字经常出现。
使用中科院分词进行关键字统计的步骤如下： 定义一个字典对象，用来保存关键字和其出现的次数。初始化该列表数据，关键字出现的次数设置为初始值0。
使用get_key_words()函数获取关键字的列表数据。
使用segment()函数对该段文字进行分词处理，从而得到返回的分词列表数据。 循环遍历分词列表数据，判断其中的元素是否属于关键字，如果属于关键字则将字典对象中对应关键字出现的次数加1
import pynlpir #导入pynlpir库
pynlpir.open() #初始化pynlpir分词库
content = "真正的程序员的程序不会在第一次就正确运行，但是他们愿意守着机器进行若干个小时的调试改错。"
wordDict = {} #定义字典对象，保存关键字及出现的次数
key_words = pynlpir.get_key_words(content, weighted=False) #获取关键字
for word in key_words:
wordDict[word] = 0
words = pynlpir.segment(content, pos_tagging=False, pos_english=False)
for word in words:
if key_words.count(word) > 0:
wordDict[word] = wordDict[word] + 1 #关键字次数加1
for item in wordDict:
print (item,"出现次数为：",wordDict[item]) #输出关键字及出现的次数
pynlpir.close() #关闭pynlpir，释放内存
愿本文对你的文章分析能有一个非常有效的帮助。
- 点赞
- 收藏
- 关注作者
评论（0）