时间戳

首页 > 技术文章 > Python jieba库的使用

Python jieba库的使用

1305536110-dym 2021-11-26 15:34 原文

写在前面：

　　昨天的课堂测试中有这样一道题目要求：“使用中文分词算法解析所有新闻正文，并统计每个词语出现的数量”。Python的jieba库是优秀的中文分词第三方库，本篇博客用来记录jieba库的基本使用。

一.jieba库基本介绍

（1）概述

  • 中文文本需要通过分词获得单个的词语

  • jieba库提供三种分词模式，最简单只需掌握一个函数

（2）jieba分词的原理

  • 利用一个中文词库，确定汉字之间的关联概率
  • 汉字间概率大的组成词组，形成分词结果
  • 除了分词，用户还可以添加自定义的词组

二.jieba库使用说明

（1）jieba分词的三种模式

  精确模式、全模式、搜索引擎模式

         - 精确模式：把文本精确的切分开，不存在冗余单词
         - 全模式：把文本中所有可能的词语都扫描出来，有冗余

         - 搜索引擎模式：在精确模式基础上，对长词再次切分

（2）常用函数

 

 三.实例

用jieba统计csv文件里所有的中文词语并将结果插入数据库

 1 import jieba
 2 txt = open("房产.csv", "r", encoding='utf-8').read()
 3 words = jieba.lcut(txt)  # 使用精确模式对文本进行分词
 4 counts = {}  # 通过键值对的形式存储词语及其出现的次数
 5 
 6 for word in words:
 7     if len(word) == 1:  # 单个词语不计算在内
 8         continue
 9     else:
10         counts[word] = counts.get(word, 0) + 1  # 遍历所有词语，每出现一次其对应的值加 1
11 
12 items = list(counts.items())  # 将键值对转换成列表
13 items.sort(key=lambda x: x[1], reverse=True)  # 根据词语出现的次数进行从大到小排序
14 
15 for i in range(1000):
16     word, count = items[i]
17     import pymysql
18 
19     db = pymysql.connect(host="localhost", user="root", password="156132", database="cloud1", charset="utf8mb4")
20     cursor = db.cursor()
21     sql = "insert into fangchan(word,count) values ('" + str(word) + "','" + str(
22         count) + "')"
23     try:
24         cursor.execute(sql)
25         db.commit()
26         # print(school_shengfen + "\t" + school_name + "添加成功")
27     except:
28         print("插入出错")
29         db.rollback()
30 
31     print("{0:<5}{1:>5}".format(word, count))

 

推荐阅读