ubuntu 14.04中文分词 结巴分词
在自然语言处理中，很常见的是要对文本数据进行分词处理。博主是代码小白，目前只是用python作为数据预处理的工具，而按照结巴中文分词的导语：做最好的python中文分词组件“jieba”。因而博主也就在本人的机子上安装了 ubuntu+python2.7+jieba组成的分词组合。
关于安装的博客已经很多了，我把安装好后我自己写的中文分词代码贴出来。
一般情况下，做中文分词之后就会去停用词，所以我直接写到了同一个py文件中。
文件的第五行：自定义的用户词典位置
文件的第十行：停用词词典的位置，自己也可以添加和修改
同理，第11和第18行分别是读取和保存文件。
1 #coding=utf-8 2 import jieba 3 import sys 4 sys.path.append("../") 5 jieba.load_userdict("/。。。/user_dict.txt") 6 import jieba.posseg as pseg 7 import time 8 t1=time.time() 9 10 stopwords = {}.fromkeys([ line.rstrip() for line in open('/。。。。。/stopwords.txt') ]) 11 f=open("/。。。/test.txt","r") #读取文本 12 txtlist=f.read().decode('utf-8') 13 words=jieba.cut(txtlist) 14 for w in words: 15 seg=str(w.word.encode('utf-8')) 16 if seg not in stopwords: 17 result+=str(seg)+" "#+"/"+str(w.flag)+" " #去停用词 18 f=open("/..../result.txt","a") #将结果保存到另一个文档中 19 f.write(result) 20 21 f.close() 22 t2=time.time() 23 print("分词及词性标注完成，耗时："+str(t2-t1)+"秒。") #反馈结果
