小白入门猿来如此之结巴jieba关键词提取+词性标注+返回词语在原文的起止位置+ChineseAnalyzer for Whoosh 搜索引擎 |
您所在的位置：网站首页 › everybody的词性和意思 › 小白入门猿来如此之结巴jieba关键词提取+词性标注+返回词语在原文的起止位置+ChineseAnalyzer for Whoosh 搜索引擎 |
|
关键词提取
基于 TF-IDF 算法的关键词抽取
import jieba.analyse jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())sentence 为待提取的文本 topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20 withWeight 为是否一并返回关键词权重值，默认值为 False allowPOS 仅包括指定词性的词，默认值为空，即不筛选 jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件 关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径 用法：jieba.analyse.set_idf_path(file_name) file_name为自定义语料库的路径 关键词提取所使用停止词（Stop Words）文本语料库可以切换成自定义语料库的路径 用法：jieba.analyse.set_stop_words(file_name) file_name为自定义语料库的路径 基于TextRank算法的关键词抽取jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) 直接使用，接口相同，注意默认过滤词性。 jieba.analyse.TextRank()新建自定义 TextRank 实例 算法论文： TextRank: Bringing Order into Texts 基本思想: 将待抽取关键词的文本进行分词以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图计算图中节点的PageRank，注意是无向带权图代码： 复习： 头文件 from __future__ import unicode_literals import sys sys.path.append("../") import jieba import jieba.posseg import jieba.analyse1.分词 seg_list = jieba.cut("我来到北京清华大学", cut_all=True) print("Full Mode: " + "/ ".join(seg_list)) # 全模式 seg_list = jieba.cut("我来到北京清华大学", cut_all=False) print("Default Mode: " + "/ ".join(seg_list)) # 默认模式 seg_list = jieba.cut("他来到了网易杭研大厦") print(", ".join(seg_list)) seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造") # 搜索引擎模式 print(", ".join(seg_list))output： Full Mode: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学 Default Mode: 我/ 来到/ 北京/ 清华大学 他, 来到, 了, 网易, 杭研, 大厦 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, ，, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造2.添加自定义词典/调整词典 print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False))) #如果/放到/post/中将/出错/。 print(jieba.suggest_freq(('中', '将'), True)) #494 print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False))) #如果/放到/post/中/将/出错/。 print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False))) #「/台/中/」/正确/应该/不会/被/切开 print(jieba.suggest_freq('台中', True)) #69 print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False))) #「/台中/」/正确/应该/不会/被/切开3.关键词提取 TF-IDF s = "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚置业注册资本由7000万元增加到5亿元。吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年，实现营业收入0万元，实现净利润-139.13万元。" for x, w in jieba.analyse.extract_tags(s, withWeight=True): print('%s %s' % (x, w)) #output 欧亚 0.7300142700289363 吉林 0.659038184373617 置业 0.4887134522112766 万元 0.3392722481859574 增资 0.33582401985234045 4.3 0.25435675538085106 7000 0.25435675538085106 2013 0.25435675538085106 139.13 0.25435675538085106 实现 0.19900979900382978 综合体 0.19480309624702127 经营范围 0.19389757253595744 亿元 0.1914421623587234 在建 0.17541884768425534 全资 0.17180164988510638 注册资本 0.1712441526 百货 0.16734460041382979 零售 0.1475057117057447 子公司 0.14596045237787234 营业 0.13920178509021275TextRank for x, w in jieba.analyse.textrank(s, withWeight=True): print('%s %s' % (x, w)) #output 吉林 1.0 欧亚 0.9966893354178172 置业 0.6434360313092776 实现 0.5898606692859626 收入 0.43677859947991454 增资 0.4099900531283276 子公司 0.35678295947672795 城市 0.34971383667403655 商业 0.34817220716026936 业务 0.3092230992619838 在建 0.3077929164033088 营业 0.3035777049319588 全资 0.303540981053475 综合体 0.29580869172394825 注册资本 0.29000519464085045 有限公司 0.2807830798576574 零售 0.27883620861218145 百货 0.2781657628445476 开发 0.2693488779295851 经营范围 0.2642762173558316 词性标注jieba.posseg.POSTokenizer(tokenizer=None)新建自定义分词器， tokenizer 参数可指定内部使用的jieba.Tokenizer分词器。 jieba.posseg.dt为默认词性标注分词器。 标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法。 import jieba import jieba.posseg as pseg words = jieba.posseg.cut("我爱北京天安门") for word, flag in words: print('%s %s' % (word, flag)) #output 我 r 爱 v 北京 ns 天安门 ns或 pseg.cut(str1) ##词性标注，标注句子分词后每个词的词性 result = pseg.cut(test_sent) for w in result: print(w.word, "/", w.flag, ", ", end=' ') #output： 李小福 / nr , 是 / v , 创新办 / i , 主任 / b , 也 / d , 是 / v , 云计算 / x , 方面 / n , 的 / uj , 专家 / n , ; / x , / x , 什么 / r , 是 / v , 八一双鹿 / nz , / x , 例如 / v , 我 / r , 输入 / v , 一个 / m , 带 / v , “ / x , 韩玉赏鉴 / nz , ” / x , 的 / uj , 标题 / n , ， / x , 在 / p , 自定义 / l , 词库 / n , 中 / f , 也 / d , 增加 / v , 了 / ul , 此 / r , 词 / n , 为 / p , N / eng , 类 / q , / x , 「 / x , 台中 / s , 」 / x , 正確 / ad , 應該 / v , 不 / d , 會 / v , 被 / p , 切開 / ad , 。 / x , mac / eng , 上 / f , 可 / v , 分出 / v , 「 / x , 石墨烯 / x , 」 / x , ； / x , 此時 / c , 又 / d , 可以 / c , 分出 / v , 來 / zg , 凱特琳 / nz , 了 / ul , 。 / x ,除了jieba默认分词模式，提供paddle模式下的词性标注功能。paddle模式采用延迟加载方式，通过enable_paddle()安装paddlepaddle-tiny，并且import相关代码； import jieba import jieba.posseg as pseg import paddle paddle.enable_static() words = pseg.cut("我爱北京天安门") #jieba默认模式 jieba.enable_paddle() #启动paddle模式。 0.40版之后开始支持，早期版本不支持 words = pseg.cut("我爱北京天安门",use_paddle=True) #paddle模式 for word, flag in words: print('%s %s' % (word, flag)) # output 我 r 爱 v 北京 LOC 天安门 LOCpaddle模式词性标注对应表 paddle模式词性和专名类别标签集合如下表，其中词性标签 24 个（小写字母），专名类别标签 4 个（大写字母） Tokenize: 返回词语在原文的起止位置有意思的源码 def tokenize(self, text): # type: (Text) -> List[Token] tokenized = jieba.tokenize(text) tokens = [Token(word, start) for (word, start, end) in tokenized] return tokens返回一个列表，列表中的每一项都是一个三维的数组，word start end 注意，输入参数只接受 unicode result = jieba.tokenize('永和服装饰品有限公司') for tk in result: print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2])) #output ---------------------------------------- 默认模式 ---------------------------------------- word 永和 start: 0 end:2 word 服装 start: 2 end:4 word 饰品 start: 4 end:6 word 有限公司 start: 6 end:10 ---------------------------------------- result = jieba.tokenize('永和服装饰品有限公司', mode='search') for tk in result: print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2])) #output ---------------------------------------- 搜索模式 ---------------------------------------- word 永和 start: 0 end:2 word 服装 start: 2 end:4 word 饰品 start: 4 end:6 word 有限 start: 6 end:8 word 公司 start: 8 end:10 word 有限公司 start: 6 end:10 并行分词原理：将目标文本按行分隔后，把各行文本分配到多个 Python 进程并行分词，然后归并结果，从而获得分词速度的可观提升 基于 python 自带的 multiprocessing 模块，目前暂不支持 Windows 用法： jieba.enable_parallel(4) # 开启并行分词模式，参数为并行进程数 jieba.disable_parallel() # 关闭并行分词模式 例子：https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py 实验结果：在 4 核 3.4GHz Linux 机器上，对金庸全集进行精确分词，获得了 1MB/s 的速度，是单进程版的 3.3 倍。 注意：并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。 ChineseAnalyzer for Whoosh 搜索引擎引用： from jieba.analyse import ChineseAnalyzer # -*- coding: UTF-8 -*- from __future__ import unicode_literals import sys,os sys.path.append("../") from whoosh.index import create_in,open_dir from whoosh.fields import * from whoosh.qparser import QueryParser from jieba.analyse.analyzer import ChineseAnalyzer analyzer = ChineseAnalyzer() schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT(stored=True, analyzer=analyzer)) if not os.path.exists("tmp"): os.mkdir("tmp") ix = create_in("tmp", schema) # for create new index #ix = open_dir("tmp") # for read only writer = ix.writer() writer.add_document( title="document1", path="/a", content="This is the first document we’ve added!" ) writer.add_document( title="document2", path="/b", content="The second one 你 中文测试中文 is even more interesting! 吃水果" ) writer.add_document( title="document3", path="/c", content="买水果然后来世博园。" ) writer.add_document( title="document4", path="/c", content="工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作" ) writer.add_document( title="document4", path="/c", content="咱俩交换一下吧。" ) writer.commit() searcher = ix.searcher() parser = QueryParser("content", schema=ix.schema) for keyword in ("水果世博园","你","first","中文","交换机","交换"): print("result of ",keyword) q = parser.parse(keyword) results = searcher.search(q) for hit in results: print(hit.highlights("content")) print("="*10) for t in analyzer("我的好朋友是李明;我爱北京天安门;IBM和Microsoft; I have a dream. this is intetesting and interested me a lot"): print(t.text)output result of 水果世博园 买水果然后来世博园 ========== result of 你 second one 你 中文测试中文 is even more interesting ========== result of first first document we’ve added ========== result of 中文 second one 你 中文测试中文 is even more interesting ========== result of 交换机 干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作 ========== result of 交换 咱俩交换一下吧 干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作 ========== 我 好 朋友 是 李明 我 爱 北京 天安 天安门 ibm microsoft dream intetest interest me lot 命令行分词 延迟加载机制 常见问题(非常有用！) 词典占用内存较小的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small 支持繁体分词更好的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big 下载你所需要的词典，然后覆盖 jieba/dict.txt 即可；或者用jieba.set_dictionary('data/dict.txt.big') 友情链接百度中文词法分析（分词+词性+专名）系统 百度FAQ自动问答系统 百度情感识别系统 |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |