python分詞工具，你用哪個(gè)？
分詞在自然語(yǔ)言處理中有著常見(jiàn)的場(chǎng)景，比如從一篇文章自動(dòng)提取關(guān)鍵詞就需要用到分詞工具，中文搜索領(lǐng)域同樣離不開(kāi)分詞，python中，有很多開(kāi)源的分詞工具。下面來(lái)介紹以下常見(jiàn)的幾款。
1. jieba 分詞
“結(jié)巴”分詞，GitHub最受歡迎的分詞工具，立志做最好的 Python 中文分詞組件，支持多種分詞模式，支持自定義詞典。
github star：26k
代碼示例
import jieba
strs=["我來(lái)到北京清華大學(xué)","乒乓球拍賣(mài)完了","中國(guó)科學(xué)技術(shù)大學(xué)"]
for str in strs:
seg_list = jieba.cut(str,use_paddle=True) # 使用paddle模式
print("Paddle Mode: " + '/'.join(list(seg_list)))
seg_list = jieba.cut("我來(lái)到北京清華大學(xué)", cut_all=True)
print("全模式: " + "/ ".join(seg_list)) # 全模式
seg_list = jieba.cut("我來(lái)到北京清華大學(xué)", cut_all=False)
print("精確模式: " + "/ ".join(seg_list)) # 精確模式
seg_list = jieba.cut("他來(lái)到了網(wǎng)易杭研大廈") # 默認(rèn)是精確模式
print("新詞識(shí)別：", ",".join(seg_list))
seg_list = jieba.cut_for_search("小明碩士畢業(yè)于中國(guó)科學(xué)院計(jì)算所，后在日本京都大學(xué)深造") # 搜索引擎模式
print("搜索引擎模式:", ".join(seg_list))
輸出：
【全模式】: 我/ 來(lái)到/ 北京/ 清華/ 清華大學(xué)/ 華大/ 大學(xué)
【精確模式】: 我/ 來(lái)到/ 北京/ 清華大學(xué)
【新詞識(shí)別】：他, 來(lái)到, 了, 網(wǎng)易, 杭研, 大廈 (此處，“杭研”并沒(méi)有在詞典中，但是也被Viterbi算法識(shí)別出來(lái)了)
【搜索引擎模式】： 小明, 碩士, 畢業(yè), 于, 中國(guó), 科學(xué), 學(xué)院, 科學(xué)院, 中國(guó)科學(xué)院, 計(jì)算, 計(jì)算所, 后, 在, 日本, 京都, 大學(xué), 日本京都大學(xué), 深造
github地址：https://github.com/fxsjy/jieba
2. pkuseg 分詞
pkuseg 是北大語(yǔ)言計(jì)算與機(jī)器學(xué)習(xí)研究組開(kāi)源的一款分詞工具，它的特點(diǎn)是支持多領(lǐng)域分詞，目前支持新聞?lì)I(lǐng)域，網(wǎng)絡(luò)領(lǐng)域，醫(yī)藥領(lǐng)域，旅游領(lǐng)域，以及混合領(lǐng)域的分詞預(yù)訓(xùn)練模型，用戶可以自由地選擇不同的模型。相比通用分詞工具，它的分詞準(zhǔn)確率更高 。
github star：5.4k
代碼示例
import pkuseg
seg = pkuseg.pkuseg() # 以默認(rèn)配置加載模型
text = seg.cut('python是一門(mén)很棒的語(yǔ)言') # 進(jìn)行分詞
print(text)
輸出
['python', '是', '一', '門(mén)', '很', '棒', '的', '語(yǔ)言']
github地址：https://github.com/lancopku/pkuseg-python
3. FoolNLTK 分詞
基于BiLSTM模型訓(xùn)練而成，據(jù)說(shuō)可能是最準(zhǔn)的開(kāi)源中文分詞，同樣支持用戶自定義詞典。
GitHub star: 1.6k
代碼示例
import fool
text = "一個(gè)傻子在北京"
print(fool.cut(text))
# ['一個(gè)', '傻子', '在', '北京']
github地址：https://github.com/rockyzhengwu/FoolNLTK
4. THULAC
THULAC由清華大學(xué)自然語(yǔ)言處理與社會(huì)人文計(jì)算實(shí)驗(yàn)室研制推出的一套中文詞法分析工具包。具有詞性標(biāo)注功能，能分析出某個(gè)詞是名詞還是動(dòng)詞或者形容詞。
github star：1.5k
代碼示例1
代碼示例1
import thulac
thu1 = thulac.thulac() #默認(rèn)模式
text = thu1.cut("我愛(ài)北京天安門(mén)", text=True) #進(jìn)行一句話分詞
print(text) # 我_r 愛(ài)_v 北京_ns 天安門(mén)_ns
代碼示例2
thu1 = thulac.thulac(seg_only=True) #只進(jìn)行分詞，不進(jìn)行詞性標(biāo)注
thu1.cut_f("input.txt", "output.txt") #對(duì)input.txt文件內(nèi)容進(jìn)行分詞，輸出到output.txt
github地址：https://github.com/thunlp/THULAC-Python
目前我在用的還是結(jié)巴分詞，配合用戶自定義詞典，解決常見(jiàn)的網(wǎng)絡(luò)詞語(yǔ)。你在用什么分詞工具，歡迎留下你的意見(jiàn)。
