[python] 使用Jieba工具中文分詞及文本聚類概念

        聲明：由於擔心CSDN博客丟失，在博客園簡單對其進行備份，以后兩個地方都會寫文章的~感謝CSDN和博客園提供的平台。
        前面講述了很多關於Python爬取本體Ontology、消息盒InfoBox、虎撲圖片等例子，同時講述了VSM向量空間模型的應用。但是由於InfoBox沒有前后文和語義概念，所以效果不是很好，這篇文章主要是爬取百度5A景區摘要信息，再利用Jieba分詞工具進行中文分詞，最后提出文本聚類算法的一些概念知識。
        相關文章：
        [Python爬蟲] Selenium獲取百度百科旅游景點的InfoBox消息盒
        [python爬蟲] Selenium定向爬取海量精美圖片及搜索引擎雜談
        Python簡單實現基於VSM的余弦相似度計算
        基於VSM的命名實體識別、歧義消解和指代消解
        [python爬蟲] Selenium定向爬取PubMed生物醫學摘要信息

 

一. Selenium爬取百度百科摘要

        簡單給出Selenium爬取百度百科5A級景區的代碼：

# coding=utf-8  
""" 
Created on 2015-12-10 @author: Eastmount  
"""  
  
import time          
import re          
import os  
import sys
import codecs
import shutil
from selenium import webdriver      
from selenium.webdriver.common.keys import Keys      
import selenium.webdriver.support.ui as ui      
from selenium.webdriver.common.action_chains import ActionChains  
  
#Open PhantomJS  
driver = webdriver.PhantomJS(executable_path="G:\phantomjs-1.9.1-windows\phantomjs.exe")  
#driver = webdriver.Firefox()  
wait = ui.WebDriverWait(driver,10)

#Get the Content of 5A tourist spots  
def getInfobox(entityName, fileName):  
    try:  
        #create paths and txt files
        print u'文件名稱: ', fileName
        info = codecs.open(fileName, 'w', 'utf-8')  

        #locate input  notice: 1.visit url by unicode 2.write files
        #Error: Message: Element not found in the cache -
        #       Perhaps the page has changed since it was looked up
        #解決方法: 使用Selenium和Phantomjs
        print u'實體名稱: ', entityName.rstrip('\n') 
        driver.get("http://baike.baidu.com/")  
        elem_inp = driver.find_element_by_xpath("//form[@id='searchForm']/input")  
        elem_inp.send_keys(entityName)  
        elem_inp.send_keys(Keys.RETURN)  
        info.write(entityName.rstrip('\n')+'\r\n')  #codecs不支持'\n'換行  
  
        #load content 摘要
        elem_value = driver.find_elements_by_xpath("//div[@class='lemma-summary']/div")
        for value in elem_value:
            print value.text
            info.writelines(value.text + '\r\n')

        #爬取文本信息
        #爬取所有段落<div class='para'>的內容 class='para-title'為標題 [省略]
        time.sleep(2)  
          
    except Exception,e:    #'utf8' codec can't decode byte  
        print "Error: ",e  
    finally:  
        print '\n'  
        info.close() 
  
#Main function  
def main():
    #By function get information
    path = "BaiduSpider\\"
    if os.path.isdir(path):
        shutil.rmtree(path, True)
    os.makedirs(path)
    source = open("Tourist_spots_5A_BD.txt", 'r')
    num = 1
    for entityName in source:  
        entityName = unicode(entityName, "utf-8")  
        if u'故宮' in entityName:   #else add a '?'  
            entityName = u'北京故宮'
        name = "%04d" % num
        fileName = path + str(name) + ".txt"
        getInfobox(entityName, fileName)
        num = num + 1
    print 'End Read Files!'  
    source.close()  
    driver.close()
    
if __name__ == '__main__':
    main()  

        內容如下圖所示，共204個國家5A級景點的摘要信息。這里就不再敘述：

 

二. Jieba中文分詞

        Python中分分詞工具很多，包括盤古分詞、Yaha分詞、Jieba分詞等。
        中文分詞庫：http://www.oschina.net/project/tag/264/segment
        其中它們的基本用法都相差不大，但是Yaha分詞不能處理如“黃琉璃瓦頂”或“圜丘壇”等詞，所以使用了結巴分詞。

        1.安裝及入門介紹
        參考地址：http://www.oschina.net/p/jieba
        下載地址：https://pypi.python.org/pypi/jieba/
        Python 2.0我推薦使用"pip install jieba"或"easy_install jieba"全自動安裝，再通過import jieba來引用（第一次import時需要構建Trie樹，需要等待幾秒時間）。
        安裝時如果出現錯誤"unknown encoding: cp65001"，輸入"chcp 936"將編碼方式由utf-8變為簡體中文gbk。

        結巴中文分詞涉及到的算法包括：
        (1) 基於Trie樹結構實現高效的詞圖掃描，生成句子中漢字所有可能成詞情況所構成的有向無環圖（DAG)；
        (2) 采用了動態規划查找最大概率路徑, 找出基於詞頻的最大切分組合；
        (3) 對於未登錄詞，采用了基於漢字成詞能力的HMM模型，使用了Viterbi算法。

        結巴中文分詞支持的三種分詞模式包括：
        (1) 精確模式：試圖將句子最精確地切開，適合文本分析；
        (2) 全模式：把句子中所有的可以成詞的詞語都掃描出來, 速度非常快，但是不能解決歧義問題；
        (3) 搜索引擎模式：在精確模式的基礎上，對長詞再次切分，提高召回率，適合用於搜索引擎分詞。
        同時結巴分詞支持繁體分詞和自定義字典方法。

#encoding=utf-8
import jieba

#全模式
text = "我來到北京清華大學"
seg_list = jieba.cut(text, cut_all=True)
print u"[全模式]: ", "/ ".join(seg_list) 

#精確模式
seg_list = jieba.cut(text, cut_all=False)
print u"[精確模式]: ", "/ ".join(seg_list)

#默認是精確模式
seg_list = jieba.cut(text)
print u"[默認模式]: ", "/ ".join(seg_list) 

#新詞識別 “杭研”並沒有在詞典中,但是也被Viterbi算法識別出來了
seg_list = jieba.cut("他來到了網易杭研大廈") 
print u"[新詞識別]: ", "/ ".join(seg_list)

#搜索引擎模式
seg_list = jieba.cut_for_search(text) 
print u"[搜索引擎模式]: ", "/ ".join(seg_list)

        輸出如下圖所示：

        代碼中函數簡單介紹如下：
        jieba.cut()：第一個參數為需要分詞的字符串，第二個cut_all控制是否為全模式。
        jieba.cut_for_search()：僅一個參數，為分詞的字符串，該方法適合用於搜索引擎構造倒排索引的分詞，粒度比較細。
        其中待分詞的字符串支持gbk\utf-8\unicode格式。返回的結果是一個可迭代的generator，可使用for循環來獲取分詞后的每個詞語，更推薦使用轉換為list列表。

        2.添加自定義詞典
        由於"國家5A級景區"存在很多旅游相關的專有名詞，舉個例子：
        [輸入文本] 故宮的著名景點包括乾清宮、太和殿和黃琉璃瓦等
        [精確模式] 故宮/的/著名景點/包括/乾/清宮/、/太和殿/和/黃/琉璃瓦/等
        [全 模 式] 故宮/的/著名/著名景點/景點/包括/乾/清宮/太和/太和殿/和/黃/琉璃/琉璃瓦/等
        顯然，專有名詞"乾清宮"、"太和殿"、"黃琉璃瓦"(假設為一個文物)可能因分詞而分開，這也是很多分詞工具的又一個缺陷。但是Jieba分詞支持開發者使用自定定義的詞典，以便包含jieba詞庫里沒有的詞語。雖然結巴有新詞識別能力，但自行添加新詞可以保證更高的正確率，尤其是專有名詞。
        基本用法：jieba.load_userdict(file_name) #file_name為自定義詞典的路徑
        詞典格式和dict.txt一樣，一個詞占一行；每一行分三部分，一部分為詞語，另一部分為詞頻，最后為詞性（可省略，ns為地點名詞），用空格隔開。
        強烈推薦一篇詞性標注文章，鏈接如下：
        http://www.hankcs.com/nlp/part-of-speech-tagging.html

#encoding=utf-8
import jieba

#導入自定義詞典
jieba.load_userdict("dict.txt")

#全模式
text = "故宮的著名景點包括乾清宮、太和殿和黃琉璃瓦等"
seg_list = jieba.cut(text, cut_all=True)
print u"[全模式]: ", "/ ".join(seg_list) 

#精確模式
seg_list = jieba.cut(text, cut_all=False)
print u"[精確模式]: ", "/ ".join(seg_list)

#搜索引擎模式
seg_list = jieba.cut_for_search(text) 
print u"[搜索引擎模式]: ", "/ ".join(seg_list)

        輸出結果如下所示，其中專有名詞連在一起，即"乾清宮"和"黃琉璃瓦"。

        3.關鍵詞提取
        在構建VSM向量空間模型過程或者把文本轉換成數學形式計算中，你需要運用到關鍵詞提取的技術，這里就再補充該內容，而其他的如詞性標注、並行分詞、獲取詞位置和搜索引擎就不再敘述了。
        基本方法：jieba.analyse.extract_tags(sentence, topK) 
        需要先import jieba.analyse，其中sentence為待提取的文本，topK為返回幾個TF/IDF權重最大的關鍵詞，默認值為20。

#encoding=utf-8
import jieba
import jieba.analyse

#導入自定義詞典
jieba.load_userdict("dict.txt")

#精確模式
text = "故宮的著名景點包括乾清宮、太和殿和午門等。其中乾清宮非常精美，午門是紫禁城的正門，午門居中向陽。"
seg_list = jieba.cut(text, cut_all=False)
print u"分詞結果:"
print "/".join(seg_list)

#獲取關鍵詞
tags = jieba.analyse.extract_tags(text, topK=3)
print u"關鍵詞:"
print " ".join(tags)

        輸出結果如下，其中"午門"出現3次、"乾清宮"出現2次、"著名景點"出現1次，按照順序輸出提取的關鍵詞。如果topK=5，則輸出："午門 乾清宮 著名景點 太和殿 向陽"。

>>> 
分詞結果:
故宮/的/著名景點/包括/乾清宮/、/太和殿/和/午門/等/。/其中/乾清宮/非常/精美/，/午門/是/紫禁城/的/正門/，/午門/居中/向陽/。
關鍵詞:
午門 乾清宮 著名景點
>>> 

        4.對百度百科獲取摘要分詞
        從BaiduSpider文件中讀取0001.txt~0204.txt文件，分別進行分詞處理再保存。

#encoding=utf-8
import sys
import re
import codecs
import os
import shutil
import jieba
import jieba.analyse

#導入自定義詞典
jieba.load_userdict("dict_baidu.txt")

#Read file and cut
def read_file_cut():
    #create path
    path = "BaiduSpider\\"
    respath = "BaiduSpider_Result\\"
    if os.path.isdir(respath):
        shutil.rmtree(respath, True)
    os.makedirs(respath)

    num = 1
    while num<=204:
        name = "%04d" % num 
        fileName = path + str(name) + ".txt"
        resName = respath + str(name) + ".txt"
        source = open(fileName, 'r')
        if os.path.exists(resName):
            os.remove(resName)
        result = codecs.open(resName, 'w', 'utf-8')
        line = source.readline()
        line = line.rstrip('\n')
        
        while line!="":
            line = unicode(line, "utf-8")
            seglist = jieba.cut(line,cut_all=False)  #精確模式
            output = ' '.join(list(seglist))         #空格拼接
            print output
            result.write(output + '\r\n')
            line = source.readline()
        else:
            print 'End file: ' + str(num)
            source.close()
            result.close()
        num = num + 1
    else:
        print 'End All'

#Run function
if __name__ == '__main__':
    read_file_cut()

        運行結果如下圖所示：

        5.去除停用詞
        在信息檢索中，為節省存儲空間和提高搜索效率，在處理自然語言數據（或文本）之前或之后會自動過濾掉某些字或詞，這些字或詞即被稱為Stop Words（停用詞）。這些停用詞都是人工輸入、非自動化生成的，生成后的停用詞會形成一個停用詞表。但是，並沒有一個明確的停用詞表能夠適用於所有的工具。甚至有一些工具是明確地避免使用停用詞來支持短語搜索的。[參考百度百科]

#encoding=utf-8
import jieba

#去除停用詞
stopwords = {}.fromkeys(['的', '包括', '等', '是'])
text = "故宮的著名景點包括乾清宮、太和殿和午門等。其中乾清宮非常精美，午門是紫禁城的正門。"
segs = jieba.cut(text, cut_all=False)
final = ''
for seg in segs:
    seg = seg.encode('utf-8')
    if seg not in stopwords:
            final += seg
print final
#輸出:故宮著名景點乾清宮、太和殿和午門。其中乾清宮非常精美，午門紫禁城正門。

seg_list = jieba.cut(final, cut_all=False)
print "/ ".join(seg_list)
#輸出:故宮/ 著名景點/ 乾清宮/ 、/ 太和殿/ 和/ 午門/ 。/ 其中/ 乾清宮/ 非常/ 精美/ ，/ 午門/ 紫禁城/ 正門/ 。

 

 

三. 基於VSM的文本聚類算法

        這部分主要參考2008年上海交通大學姚清壇等《基於向量空間模型的文本聚類算法》的論文，因為我的實體對齊使用InfoBox存在很多問題，發現對齊中會用到文本內容及聚類算法，所以簡單講述下文章一些知識。

 

        文本聚類的主要依據聚類假設是：同類的文檔相似度較大，而非同類文檔相似度較小。同時使用無監督學習方法，聚類不需要訓練過程以及不需要預先對文檔手工標注類別，因此具有較高的靈活性和自動化處理能力。主要分為以下部分：
        (1) 預處理常用方法
        文本信息預處理（詞性標注、語義標注），構建統計詞典，對文本進行詞條切分，完成文本信息的分詞過程。
        (2) 文本信息的特征表示
        采用方法包括布爾邏輯型、概率型、混合型和向量空間模型。其中向量空間模型VSM（Vector Space Model）是將文檔映射成向量的形式，(T1, T2, ..., Tn)表示文檔詞條，(W1, W2, ..., Wn)文檔詞條對應權重。建立文本特征主要用特征項或詞條來表示目標文本信息，構造評價函數來表示詞條權重，盡最大限度區別不同的文檔。
        (3) 文本信息特征縮減
        VSM文檔特征向量維數眾多。因此，在文本進行聚類之前，應用文本信息特征集進行縮減，針對每個特征詞的權重排序，選取最佳特征，包括TF-IDF。推薦向量稀疏表示方法，提升聚類的效果，其中(D1, D2, ..., Dn)表示權重不為0的特征詞條。
        (4) 文本聚類
        文本內容表示成數學課分析形勢后，接下來就是在此數學基礎上進行文本聚類。包括基於概率方法和基於距離方法。其中基於概率是利用貝葉斯概率理論，概率分布方式；基於聚類是特征向量表示文檔（文檔看成一個點），通過計算點之間的距離，包括層次聚類法和平面划分法。

       后面我可能也會寫具體的Python聚類算法，VSM計算相似度我前面已經講過。同時，他的實驗數據是搜狐中心的10個大類，包括汽車、財經、IT、體育等，而我的數據都是旅游，如何進一步聚類划分，如山川、河流、博物館等等，這是另一個難點。
        最后還是那句話：不論如何，希望文章對你有所幫助，如果文章中有錯誤或不足之處，還請海涵~寫文不易，且看且分析。加油！！！
      （By:Eastmount 2015-12-11 深夜3點   http://blog.csdn.net/eastmount/）