昨天总结了一下分词概念以及一些现有的python开源工具，今天就来一波实战，顺便说一下jupyter真是好用~~

jieba分词

安装：pip install jieba

国内源安装更快：pip install jieba -i https://pypi.tuna.tsinghua.edu.cn/simple

导入jieba包

import jieba

全模式分词

wordseg_all = jieba.cut("我爱自然语言处理技术！", cut_all=True)
print("全模式: " + " ".join(wordseg_all))

Building prefix dict from the default dictionary ...
Dumping model to file cache C:\Users\yuquanle\AppData\Local\Temp\jieba.cache
Loading model cost 0.968 seconds.
Prefix dict has been built succesfully.


全模式: 我 爱 自然 自然语言 语言 处理 技术  

精确模式分词

wordseg = jieba.cut("我爱自然语言处理技术！", cut_all=False)
print("精确模式: " + " ".join(wordseg))

精确模式: 我 爱 自然语言 处理 技术 ！

搜索引擎模式

wordseg_search = jieba.cut_for_search("我爱自然语言处理技术！")  
print("搜索引擎模式:" + " ".join(wordseg_search))

搜索引擎模式:我 爱 自然 语言 自然语言 处理 技术 ！

 
 

SnowNLP分词

安装：pip install snownlp

国内源安装：pip install snownlp -i https://pypi.tuna.tsinghua.edu.cn/simple

导入snownlp包

from snownlp import SnowNLP

model = SnowNLP(u'我爱自然语言处理技术！')
print(model.words)

['我', '爱', '自然', '语言', '处理', '技术', '！']

 
 

THULAC分词

安装：pip install thulac

国内源安装：pip install thulac -i https://pypi.tuna.tsinghua.edu.cn/simple

导入thulac包

import thulac

默认模式：分词的同时进行词性标注

thulac_model = thulac.thulac()
wordseg = thulac_model.cut("我爱自然语言处理技术！")
print(wordseg)

Model loaded succeed
[['我', 'r'], ['爱', 'v'], ['自然', 'n'], ['语言', 'n'], ['处理', 'v'], ['技术', 'n'], ['！', 'w']]

只进行分词

seg_only_model = thulac.thulac(seg_only=True)
wordseg_only = seg_only_model.cut("我爱自然语言处理技术！")
print(wordseg_only)

Model loaded succeed
[['我', ''], ['爱', ''], ['自然', ''], ['语言', ''], ['处理', ''], ['技术', ''], ['！', '']]

 
 

NLPIR分词

安装：pip install pynlpir

国内源安装：pip install pynlpir -i https://pypi.tuna.tsinghua.edu.cn/simple

导入pynlpir包

如果发现加载报错，则需要更换license：https://github.com/NLPIR-team/NLPIR/tree/master/License/

真是开源的不彻底~~~

import pynlpir

打开分词器

pynlpir.open()

分词：这个工具会同时进行词性标注

s = "我爱自然语言处理技术！"
word_seg = pynlpir.segment(s)
print(word_seg)

[('我', 'pronoun'), ('爱', 'verb'), ('自然', 'adjective'), ('语言', 'noun'), ('处理', 'verb'), ('技术', 'noun'), ('！', 'punctuation mark')]

 
 

Stanford CoreNLP分词

安装：pip install stanfordcorenlp

国内源安装：pip install stanfordcorenlp -i https://pypi.tuna.tsinghua.edu.cn/simple

导入stanfordcorenlp包

from stanfordcorenlp import StanfordCoreNLP

先下载模型，然后导入

下载地址：

nlp_model = StanfordCoreNLP(r'stanford-corenlp-full-2018-02-27', lang='zh')

分词

s = '我爱自然语言处理技术！'
word_seg = nlp_model.word_tokenize(s)
print(word_seg)

['我爱', '自然', '语言', '处理', '技术', '！']

 
 

Hanlp分词

安装：pip install pyhanlp

国内源安装：pip install pyhanlp -i https://pypi.tuna.tsinghua.edu.cn/simple

导入pyhanlp包

from pyhanlp import *

s = '我爱自然语言处理技术！'
word_seg = HanLP.segment(s)
for term in word_seg:
    print(term.word)

我
爱
自然语言处理
技术
！

另外，代码我已经上传github：https://github.com/yuquanle/StudyForNLP/blob/master/NLPbasic/WordSegmentation.ipynb

更多AI、ML、NLP干货资源请关注公众号：AI小白入门（ID: StudyForAI）：