文本分词处理Python实践

上一篇博客中爬取到了10个类别中数据并以文本的形式存取。

第二步便考虑对获得的文本进行分词操作~

开发环境:

anaconda3;

jieba分词;(在anaconda中pip install jieba 命令成功下载并安装jieba包(conda和pip是两个不同的包管理器,那个jieba没在conda中,应该用pip进行安装)

上代码

# -*- coding: utf-8 -*-
"""
Created on Thu Mar  8 10:26:40 2018

@author: Administrator
"""
# 2017年7月4日00:13:40
# silei
# jieba分词,停用词,数据可视化,知识图谱
# 数据文件数一共1170个
# baby,car,food,health,legend,life,love,news,science,sexual
# 130,130,130,130,130,130,130,130,130,130

# -*- coding:UTF-8 -*-

import jieba

dir = {'baby': 130,'car': 130,'food': 130,'health': 130,'legend': 130,'life': 130,'love': 130,'news': 130,'science': 130,'sexual': 39}# 设置词典,分别是类别名称和该类别下一共包含的文本数量

data_file_number = 0# 当前处理文件索引数

for world_data_name,world_data_number in dir.items():# 将词典中的数据分别复制到world_data_name,world_data_number中
    
    while (data_file_number < world_data_number):
        print(world_data_name)
        print(world_data_number)
        print(data_file_number)# 打印文件索引信息
        
        file = open('F:\\test\\'+world_data_name+'\\'+str(data_file_number)+'.txt','r',encoding= 'UTF-8')
        file_w = open('F:\\test\\trainTest\\'+world_data_name+'\\'+str(data_file_number)+'.txt','w',encoding= 'UTF-8')
        for line in file:
            stoplist = {}.fromkeys([ line.strip() for line in open("F:\\test\\stopword.txt",encoding= 'UTF-8') ])  # 读取停用词在列表中
            
            seg_list = jieba.lcut(line,cut_all=False)# jieba分词精确模式
            
            seg_list = [word for word in list(seg_list) if word not in stoplist]  # 去除停用词
            
            print("Default Mode:", "/ ".join(seg_list))
            for i in range(len(seg_list)):
                file_w.write(str(seg_list[i])+'\n')# 分完词分行输入到文本中
            
            # file_w.write(str(seg_list))
            # print(line, end='')
        file_w.close()
        file.close()
        data_file_number = data_file_number + 1
    data_file_number = 0

运行完代码便可获得分词完的文本,分词操作完成!

posted on 2018-03-08 12:38  baorant  阅读(1778)  评论(0编辑  收藏  举报

导航