ubuntu 14.04中文分詞 結巴分詞

在自然語言處理中，很常見的是要對文本數據進行分詞處理。博主是代碼小白，目前只是用python作為數據預處理的工具，而按照結巴中文分詞的導語：做最好的python中文分詞組件“jieba”。因而博主也就在本人的機子上安裝了 ubuntu+python2.7+jieba組成的分詞組合。

 關於安裝的博客已經很多了，我把安裝好后我自己寫的中文分詞代碼貼出來。

一般情況下，做中文分詞之后就會去停用詞，所以我直接寫到了同一個py文件中。

文件的第五行：自定義的用戶詞典位置

文件的第十行：停用詞詞典的位置，自己也可以添加和修改

同理，第11和第18行分別是讀取和保存文件。

 

#coding=utf-8  
import jieba  
import sys 
sys.path.append("../") 
jieba.load_userdict("/。。。/user_dict.txt")
import jieba.posseg as pseg 
import time  
t1=time.time() 

stopwords = {}.fromkeys([ line.rstrip() for line in open('/。。。。。/stopwords.txt') ])
f=open("/。。。/test.txt","r") #讀取文本  
txtlist=f.read().decode('utf-8')
words=jieba.cut(txtlist)  
    for w in words: 
        seg=str(w.word.encode('utf-8'))
        if seg not in stopwords:
            result+=str(seg)+" "#+"/"+str(w.flag)+" " #去停用詞  
            f=open("/..../result.txt","a")  #將結果保存到另一個文檔中  
            f.write(result)
    
f.close()  
t2=time.time() 
print("分詞及詞性標注完成，耗時："+str(t2-t1)+"秒。") #反饋結果