python中文分词

aaahd

python做SEO相关事情，我在之前的文章已经讲到过，今天给大家分享python中文分词的一些知识。

说到分词，如果是做GOOGLE的朋友，那用python分词很简单，可以直接根据空格来分词，或者有相关的nltk模块来处理。

中文分词的话，就比较麻烦，因为不能通过空格来分词，并且分词还得考虑语义问题等。

下面列出几个比较好的中文分词：我用的比较多的是结巴分词，下面详细介绍下：

1 结巴分词 0.22 发布，Python 中文分词组件 

jieba 支持三种分词模式：
      精确模式，试图将句子最精确地切开，适合文本分析；
      全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；
      搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

      并且有5个功能：1分词 2添加自定义词典 3 关键词提取 4 词性标注 5 并行分词 

Python 2.x 下的安装

    全自动安装：easy_install jieba 或者 pip install jieba
    半自动安装：先下载http://pypi.python.org/pypi/jieba/ ，解压后运行python setup.py install
    手动安装：将jieba目录放置于当前目录或者site-packages目录
    通过import jieba 来引用 （第一次import时需要构建Trie树，需要几秒时间）

Python 3.x 下的安装

    目前master分支是只支持Python2.x 的

    Python3.x 版本的分支也已经基本可用： https://github.com/fxsjy/jieba/tree/jieba3k

    git clone https://github.com/fxsjy/jieba.git
    git checkout jieba3k
    python setup.py install

2 pymmseg-cpp: 是一个Python端口pymmseg-CPP，的rmmseg CPP项目的。 rmmseg-CPP是一个MMSEG中文分词算法的实现在一个Ruby的C + +接口。

3 Loso：Loso是一个用Python编写的中文分词系统。
它最初被开发为改善Plurk搜索，但适用简体中文。  

4 smallseg :
smallseg -- 开源的的轻量级的中文分词工具包
特点：可自定义词典、速度快、可在Google App Engine上运行。

5 句读：http://judou.org/
1 开放的中文分词项目
2 高性能、高可用性分词系统