Python jieba库的使用

写在前面：

　　昨天的课堂测试中有这样一道题目要求：“使用中文分词算法解析所有新闻正文，并统计每个词语出现的数量”。Python的jieba库是优秀的中文分词第三方库，本篇博客用来记录jieba库的基本使用。

一.jieba库基本介绍

（1）概述

• 中文文本需要通过分词获得单个的词语

• jieba库提供三种分词模式，最简单只需掌握一个函数

（2）jieba分词的原理

• 利用一个中文词库，确定汉字之间的关联概率
• 汉字间概率大的组成词组，形成分词结果
• 除了分词，用户还可以添加自定义的词组

二.jieba库使用说明

（1）jieba分词的三种模式

  精确模式、全模式、搜索引擎模式

         - 精确模式：把文本精确的切分开，不存在冗余单词
         - 全模式：把文本中所有可能的词语都扫描出来，有冗余

         - 搜索引擎模式：在精确模式基础上，对长词再次切分

（2）常用函数

 

 三.实例

用jieba统计csv文件里所有的中文词语并将结果插入数据库

import jieba
txt = open("房产.csv", "r", encoding='utf-8').read()
words = jieba.lcut(txt)  # 使用精确模式对文本进行分词
counts = {}  # 通过键值对的形式存储词语及其出现的次数

for word in words:
    if len(word) == 1:  # 单个词语不计算在内
        continue
    else:
        counts[word] = counts.get(word, 0) + 1  # 遍历所有词语，每出现一次其对应的值加 1

items = list(counts.items())  # 将键值对转换成列表
items.sort(key=lambda x: x[1], reverse=True)  # 根据词语出现的次数进行从大到小排序

for i in range(1000):
    word, count = items[i]
    import pymysql

    db = pymysql.connect(host="localhost", user="root", password="156132", database="cloud1", charset="utf8mb4")
    cursor = db.cursor()
    sql = "insert into fangchan(word,count) values ('" + str(word) + "','" + str(
        count) + "')"
    try:
        cursor.execute(sql)
        db.commit()
        # print(school_shengfen + "\t" + school_name + "添加成功")
    except:
        print("插入出错")
        db.rollback()

    print("{0:<5}{1:>5}".format(word, count))