yaha分词

# -*- coding=utf-8 -*-
import sys, re, codecs
import cProfile
from yaha import Cuttor, RegexCutting, SurnameCutting, SurnameCutting2, SuffixCutting
from yaha.wordmaker import WordDict
from yaha.analyse import extract_keywords, near_duplicate, summarize1, summarize2, summarize3

str = ‘唐成真是唐成牛的长寿乡是个1998love唐成真诺维斯基‘
cuttor = Cuttor()

# Get 3 shortest paths for choise_best
#cuttor.set_topk(3)

# Use stage 1 to cut english and number
cuttor.set_stage1_regex(re.compile(‘(\d+)|([a-zA-Z]+)‘, re.I|re.U))

# Or use stage 2 to cut english and number
#cuttor.add_stage(RegexCutting(re.compile(‘\d+‘, re.I|re.U)))
#cuttor.add_stage(RegexCutting(re.compile(‘[a-zA-Z]+‘, re.I|re.U)))

# Use stage 3 to cut chinese name
#surname = SurnameCutting()
#cuttor.add_stage(surname)

# Or use stage 4 to cut chinese name
surname = SurnameCutting2()
cuttor.add_stage(surname)

# Use stage 4 to cut chinese address or english name
suffix = SuffixCutting()
cuttor.add_stage(suffix)

#seglist = cuttor.cut(str)
#print ‘\nCut with name \n%s\n‘ % ‘,‘.join(list(seglist))

#seglist = cuttor.cut_topk(str, 3)
#for seg in seglist:
# print ‘,‘.join(seg)

#for s in cuttor.cut_to_sentence(str):
# print s

#str = "伟大祖国是中华人民共和国"
#str = "九孔不好看来"
#str = "而迈入社会后..."
str = "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"

#You can set WORD_MAX to 8 for better match
#cuttor.WORD_MAX = 8

#Normal cut
seglist = cuttor.cut(str)
print ‘Normal cut \n%s\n‘ % ‘,‘.join(list(seglist))

#All cut
seglist = cuttor.cut_all(str)
print ‘All cut \n%s\n‘ % ‘,‘.join(list(seglist))

#Tokenize for search
print ‘Cut for search (term,start,end)‘
for term, start, end in cuttor.tokenize(str.decode(‘utf-8‘), search=True):
print term, start, end

re_line = re.compile("\W+|[a-zA-Z0-9]+", re.UNICODE)
def sentence_from_file(filename):
with codecs.open(filename, ‘r‘, ‘utf-8‘) as file:
for line in file:
for sentence in re_line.split(line):
yield sentence

def make_new_word(file_from, file_save):
word_dict = WordDict()
#word_dict.add_user_dict(‘www_qq0‘)
for sentence in sentence_from_file(file_from):
word_dict.learn(sentence)
word_dict.learn_flush()

str = ‘我们的读书会也顺利举办了四期‘
seg_list = word_dict.cut(str)
print ‘, ‘.join(seg_list)

word_dict.save_to_file(file_save)

#最大熵算法得到新词
#def test():
# make_new_word(‘qq0‘, ‘www_qq0‘)
#cProfile.run(‘test()‘)
#test()

#test: Get key words from file
def key_word_test():
filename = ‘key_test.txt‘
with codecs.open(filename, ‘r‘, ‘utf-8‘) as file:
content = file.read()
keys = extract_keywords(content)
#print ‘,‘.join(keys)
print summarize1(content)
print summarize2(content)
print summarize3(content)
#key_word_test()

#比较文本的相似度
def compare_file():
file1 = codecs.open(‘f1.txt‘, ‘r‘, ‘utf-8‘)
file2 = codecs.open(‘f2.txt‘, ‘r‘, ‘utf-8‘)
print ‘the near of two files is:‘, near_duplicate(file1.read(), file2.read())
#compare_file()

时间: 2024-10-02 05:34:04

yaha分词的相关文章

可定制的分词库——Yaha(哑哈)分词

可定制的分词库——Yaha(哑哈)分词在线测试地址:http://yaha.v-find.com/ 部署于GAE yahademo.appspot.comYaha分词主要特点是把分词过程分成了4个阶段,每个阶段都可以让用户加入自己的一些定制,以面向不同的用户需求. 这是一个最简单真白的示例:# -*- coding=utf-8 -*-import sys, refrom yaha import Cuttor, RegexCutting, SurnameCutting2, SuffixCuttin

[python] 使用Jieba工具中文分词及文本聚类概念

声明:由于担心CSDN博客丢失,在博客园简单对其进行备份,以后两个地方都会写文章的~感谢CSDN和博客园提供的平台.        前面讲述了很多关于Python爬取本体Ontology.消息盒InfoBox.虎扑图片等例子,同时讲述了VSM向量空间模型的应用.但是由于InfoBox没有前后文和语义概念,所以效果不是很好,这篇文章主要是爬取百度5A景区摘要信息,再利用Jieba分词工具进行中文分词,最后提出文本聚类算法的一些概念知识.        相关文章:        [Python爬虫]

中文分词中的战斗机

英文分词的第三方库NLTK不错,中文分词工具也有很多(盘古分词.Yaha分词.Jieba分词等).但是从加载自定义字典.多线程.自动匹配新词等方面来看.大jieba确实是中文分词中的战斗机. 请随意观看表演 安装 分词 自定义词典 延迟加载 关键词提取 词性标注 词语定位 内部算法 安装 使用pip包傻瓜安装:py -3 -m pip install jieba / pip install jiba(windows下推荐第一种,可以分别安装python2和3对应jieba) pypi下载地址 分

文本情感分类:传统模型(1)

基于情感词典的文本情感分类 传统的基于情感词典的文本情感分类,是对人的记忆和判断思维的最简单的模拟,如上图.我们首先通过学习来记忆一些基本词汇,如否定词语有"不",积极词语有"喜欢"."爱",消极词语有"讨厌"."恨"等,从而在大脑中形成一个基本的语料库.然后,我们再对输入的句子进行最直接的拆分,看看我们所记忆的词汇表中是否存在相应的词语,然后根据这个词语的类别来判断情感,比如"我喜欢数学&quo

NLP文本情感分类

文本情感分类: 文本情感分类(一):传统模型 http://spaces.ac.cn/index.php/archives/3360/ 测试句子: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 分词工具 测试结果 结巴中文分词 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 中科院分词 工/n 信/n 处女/n 干事/n 每月/r 经过/p 下属/v 科室/n 都/d

文本情感分类(一):传统模型

前言:四五月份的时候,我参加了两个数据挖掘相关的竞赛,分别是物电学院举办的"亮剑杯",以及第三届 "泰迪杯"全国大学生数据挖掘竞赛.很碰巧的是,两个比赛中,都有一题主要涉及到中文情感分类工作.在做"亮剑杯"的时候,由于我还是初涉,水平有限,仅仅是基于传统的思路实现了一个简单的文本情感分类模型.而在后续的"泰迪杯"中,由于学习的深入,我已经基本了解深度学习的思想,并且用深度学习的算法实现了文本情感分类模型.因此,我打算将两个不同

lucene分词器中的Analyzer,TokenStream, Tokenizer, TokenFilter

分词器的核心类: Analyzer:分词器 TokenStream: 分词器做好处理之后得到的一个流.这个流中存储了分词的各种信息,可以通过TokenStream有效的获取到分词单元. 以下是把文件流转换成分词流(TokenStream)的过程 首先,通过Tokenizer来进行分词,不同分词器有着不同的Tokenzier,Tokenzier分完词后,通过TokenFilter对已经分好词的数据进行过滤,比如停止词.过滤完之后,把所有的数据组合成一个TokenStream:以下这图就是把一个re

PHP中文分词扩展 SCWS

1.scws简介 SCWS 是 Simple Chinese Word Segmentation 的首字母缩写(即:简易中文分词系统). 这是一套基于词频词典的机械式中文分词引擎,它能将一整段的中文文本基本正确地切分成词. 词是中文的最小语素单位,但在书写时并不像英语会在词之间用空格分开, 所以如何准确并快速分词一直是中文分词的攻关难点. SCWS 采用纯 C 语言开发,不依赖任何外部库函数,可直接使用动态链接库嵌入应用程序, 支持的中文编码包括 GBK.UTF-8 等.此外还提供了 PHP 扩

Elasticsearch安装中文分词插件ik

Elasticsearch默认提供的分词器,会把每个汉字分开,而不是我们想要的根据关键词来分词.例如: curl -XPOST "http://localhost:9200/userinfo/_analyze?analyzer=standard&pretty=true&text=我是中国人" 我们会得到这样的结果: { tokens: [ { token: text start_offset: 2 end_offset: 6 type: <ALPHANUM>