一个分词脚本

本文介绍了一个使用jieba库实现的中文分词脚本。该脚本通过读取指定文件,根据空白行标记来区分是否使用个性化词典进行分词处理,并记录了词典中未出现的新词。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

一个分词脚本

import jieba

target_file = "stress_words.txt"

# 读取空白行之前的句子为个性化词典
custom_dict = {}
with open(target_file, "r", encoding="utf-8") as f:
    for line in f.readlines():
        # 之前做的标记,跳过此行
        if(line.strip() == "||"):
            continue
        # 新做的标记,结束个性词典
        if(line.strip() == ""):
            break
        # 切分出前半部分,将长度大于1的词加入词典
        line = line.split("||")[0]
        for word in line.strip().split(" "):
            if(len(word) > 1):
                freq = custom_dict.get(word,0)
                custom_dict[word] = freq+1

# 将词典保存
special_dict = """
布艺 床品 家纺 窗帘
"""
for w in special_dict.replace("/n","").strip().split(" "):
    custom_dict[w] = 20000000

with open("format_dict.txt", "w", encoding="utf-8") as out:
    out.write("\n".join([k+" "+str(custom_dict[k]) for k in custom_dict.keys()]))

# 加载词典
jieba.load_userdict("format_dict.txt")

# 根据已经整理的词典重新分词
words = []
cut_start = False
with open(target_file, "r", encoding="utf-8") as f:
    for line in f.readlines():
        # 之前做的标记,跳过此行
        if(line.strip() == "||"):
            continue

        # 遇到空白标记行,则改变标记,跳过该空白行,并开始切词
        if(line.strip == ""):
            cut_start = True
            words.append("   ||   ")
            continue

        if "||" in line:
            line = line.split("||")[0]

        res = []
        if(not cut_start):
            # 遇到空白行之前,不重新切词,只分析
            res = line.strip().split(" ")
        else:
            # 遇到空白行之后,进行重新切词
            res = list(jieba.cut(line.strip().replace(" ", "")))
        # 记录改行词典中未出现的词
        unique_word = [w for w in res if w not in custom_dict]
        cut_res = " ".join(res)
        true_len = 60 - (len(cut_res)*2 - len(res) + 1)
        words.append(cut_res + true_len*" " + "||  " + " ".join(unique_word))

with open(target_file, "w", encoding="utf-8") as out:
    out.write("\n".join(words))
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值