使用jieba库进行中文分词和去除停用词

jieba.lcut?

jieba.lcut()和jieba.lcut_for_search()是jieba库中的两个分词函数，它们的功能和参数略有不同。

jieba.lcut()方法接受三个参数：需要分词的字符串，是否使用全模式（默认为False）以及是否使用HMM模型（默认为True）。它返回一个列表，其中包含分词后的词语。该方法适合用于普通的文本分词任务。

而jieba.lcut_for_search()方法接受两个参数：需要分词的字符串和是否使用HMM模型。该方法适合用于搜索引擎的分词，因为它在精确模式的基础上，对长词进行了再次切分，以提高召回率。

import jieba
text = '中文分词是将中文文本切分成一系列有意义的词语的过程。'

#定义词典列表
b=['中文分词','中午文本','有意义']
jieba.load_userdict(b)  #应用自定义词典列表


print(jieba.lcut(text,cut_all=False)) # 默认精确模式，即cut_all=False
print(jieba.lcut(text,cut_all=True)) # 改为全模式，即cut_all=True
print(jieba.lcut_for_search(text)) # 搜索引擎模式

import jieba

text2 = '我们中出了一个叛徒'
print(jieba.lcut(text2))

# 删除一个单词
jieba.del_word('中出')
print(jieba.lcut(text2))

#增加一个单词
jieba.add_word('出了')
print(jieba.lcut(text2))


# 如果我们不想删除“中出”这个词，但是又不想让它合在一起，可以增大它的词频
jieba.add_word('中出')  # 为了演示效果，我们需要回到最初始的样子
jieba.del_word('出了')
print(jieba.lcut(text2))
# 调节词的词频，使其能（或不能）被分词
# tune=True:执行词频调整，默认False不执行
jieba.suggest_freq(('中','出'),tune=True)
print(jieba.lcut(text2))

去除停用词语

最全中文停用词表
?

import re
import jieba
text3 = '昨天我吃了一大碗米饭，真的是太好吃了！###@'

# 去除一些无用的字符只提取出中文出来
new_text = "".join(re.findall('[\u4e00-\u9fa5]+', text3, re.S))
print(new_text)

print(jieba.lcut(new_text))

综合案例?

import re
import jieba

def chinese_word_cut(mytext):
    # jieba.load_userdict('自定义词典.txt')  # 这里你可以添加jieba库识别不了的网络新词，避免将一些新词拆开
    jieba.initialize()  # 初始化jieba
    # 文本预处理 ：去除一些无用的字符只提取出中文出来
    new_data = re.findall('[\u4e00-\u9fa5]+', mytext, re.S)
    new_data = " ".join(new_data)
    # 文本分词
    seg_list_exact = jieba.lcut(new_data)
    result_list = []
    # 读取停用词库
    with open('cn_stopwords.txt', encoding='utf-8') as f:  # 可根据需要打开停用词库，然后加上不想显示的词语
        con = f.readlines()
        stop_words = set()
        for i in con:
            i = i.replace("\n", "")  # 去掉读取每一行数据的\n
            stop_words.add(i)
    # 去除停用词并且去除单字
    for word in seg_list_exact:
        if word not in stop_words and len(word) > 1:
            result_list.append(word)

    return result_list

if __name__=='__main__':
    with open('new.txt','r',encoding='utf-8') as f:
        text_file=f.read()

    # 分词得到词典
    result=chinese_word_cut(text_file)
    result=set(result)
    print(result)
    # print(text_file)

?

参考：

文本分析-使用jieba库进行中文分词和去除停用词（附案例实战）_jieba.lcut(text)-CSDN博客