在这一篇博客之前，我已经将word文件中的内容通过爬虫的方式整理到数据库中了，但是为了前台展示的需要，还必须提取出关键字，用于检索。
我用的是jieba分词，GitHub地址：https://github.com/fxsjy/jieba
在项目中主要用到的是jieba分词技术中的提取文章中的关键字的技术；
基于 TF-IDF 算法的关键词抽取
import jieba.analyse
jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
sentence 为待提取的文本
topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20，会按权重大小排序
withWeight 为是否一并返回关键词权重值，默认值为 False
allowPOS 仅包括指定词性的词，默认值为空，即不筛选，博客的最下面有词性对照表
jieba有自己的词库，但是对于互联网行业，由于很多词语都比较新，会造成分词不准，比如“共享单车”分词会被分成“共享”和“单车”，
解决的办法是可以引入本地词典，有清华大学的开放词库可以下载：http://thuocl.thunlp.org
引入也很简单：
jieba.load_userdict('你的词库文档位置')
除此之外还有一种方法，就是在代码中把不能被分开的关键词加进去，但是不推荐，毕竟面对很大的工作量这种做法不现实，还不如扩充自己的词库。方法如下：
jieba.add_word("云计算")
还有可以设置停用词词典，有些字可能出现频率比较高，但是不是你要的关键字，比如“什么”、“现在”、“主流”等这些词，可以设置一个停用词典，
类似上面的引入本地词典：
jieba.analyse.set_stop_words('你的停用词典路径')
下面是我项目中的一点例子，稍作修改，便于需要的同学调试：
def jiebaFindKey(): sentence = '''互联网+概念于2012年11月易观国际董事长兼首席执行官于扬首次提出，并于2015年7月4日，国务院印发了《国务院关于积极推进“互联网+”行动的指导意见》。“互联网+”作为知识社会创新2.0推动下的互联网形态演进，成为了中国互联网发展的新形态和新业态。“互联网+”既是互联网的移动与泛在，促进了传统行业与互联网的融合及应用，将数据、计算、知识三者融合，使创新渗入到各行各业，从而开创了创新驱动发展的“新常态”。 ''' jieba.load_userdict('../resource/it.txt') jieba.analyse.set_stop_words('../resource/except.txt') # jieba.add_word("云计算") keywords = jieba.analyse.extract_tags(sentence, topK=20, withWeight=True, allowPOS=('n','nr','ns')) for item in keywords: print(item[0], item[1]) return
词性对照表
- 名词 (1个一类，7个二类，5个三类)
名词分为以下子类：
n 名词
nr 人名
nr1 汉语姓氏
nr2 汉语名字
nrj 日语人名
nrf 音译人名
ns 地名
nsf 音译地名
nt 机构团体名
nz 其它专名
nl 名词性惯用语
ng 名词性语素- 时间词(1个一类，1个二类)
t 时间词
tg 时间词性语素- 处所词(1个一类)
s 处所词- 方位词(1个一类)
f 方位词- 动词(1个一类，9个二类)
v 动词
vd 副动词
vn 名动词
vshi 动词“是”
vyou 动词“有”
vf 趋向动词
vx 形式动词
vi 不及物动词（内动词）
vl 动词性惯用语
vg 动词性语素- 形容词(1个一类，4个二类)
a 形容词
ad 副形词
an 名形词
ag 形容词性语素
al 形容词性惯用语- 区别词(1个一类，2个二类)
b 区别词
bl 区别词性惯用语- 状态词(1个一类)
z 状态词- 代词(1个一类，4个二类，6个三类)
r 代词
rr 人称代词
rz 指示代词
rzt 时间指示代词
rzs 处所指示代词
rzv 谓词性指示代词
ry 疑问代词
ryt 时间疑问代词
rys 处所疑问代词
ryv 谓词性疑问代词
rg 代词性语素- 数词(1个一类，1个二类)
m 数词
mq 数量词- 量词(1个一类，2个二类)
q 量词
qv 动量词
qt 时量词- 副词(1个一类)
d 副词- 介词(1个一类，2个二类)
p 介词
pba 介词“把”
pbei 介词“被”- 连词(1个一类，1个二类)
c 连词
cc 并列连词- 助词(1个一类，15个二类)
u 助词
uzhe 着
ule 了 喽
uguo 过
ude1 的 底
ude2 地
ude3 得
usuo 所
udeng 等 等等 云云
uyy 一样 一般 似的 般
udh 的话
uls 来讲 来说 而言 说来
uzhi 之
ulian 连 （“连小学生都会”）- 叹词(1个一类)
e 叹词- 语气词(1个一类)
y 语气词(delete yg)- 拟声词(1个一类)
o 拟声词- 前缀(1个一类)
h 前缀- 后缀(1个一类)
k 后缀- 字符串(1个一类，2个二类)
x 字符串
xx 非语素字
xu 网址URL- 标点符号(1个一类，16个二类)
w 标点符号
wkz 左括号，全角：（ 〔 ［ ｛ 《 【 〖 〈 半角：( [ { <
wky 右括号，全角：） 〕 ］ ｝ 》 】 〗 〉 半角： ) ] { >
wyz 左引号，全角：“ ‘ 『
wyy 右引号，全角：” ’ 』
wj 句号，全角：。
ww 问号，全角：？ 半角：?
wt 叹号，全角：！ 半角：!
wd 逗号，全角：， 半角：,
wf 分号，全角：； 半角： ;
wn 顿号，全角：、
wm 冒号，全角：： 半角： :
ws 省略号，全角：…… …
wp 破折号，全角：—— －－ ——－ 半角：— —-
wb 百分号千分号，全角：％ ‰ 半角：%
wh 单位符号，全角：￥ ＄ ￡ ° ℃ 半角：$
参考：
https://blog.csdn.net/bozhanggu2239/article/details/80157305
