怀着好奇的心情，体验一把“结巴”Python中文分词组件威力，感觉很不错、很好用。

特点

支持三种分词模式：

• 精确模式，试图将句子最精确地切开，适合文本分析；
• 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；
• 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。
• 支持繁体分词
• 支持自定义词典
• MIT 授权协议

实例

import jieba


sentence = "我来到北京清华大学"
words = jieba.cut(sentence)
print(list(words))

words = jieba.cut(sentence, True)
print(list(words))

words = jieba.cut_for_search(sentence)
print(list(words))

三种方法分别输出：

['我', '来到', '北京', '清华大学']
['我', '来到', '北京', '清华', '清华大学', '华大', '大学']
['我', '来到', '北京', '清华', '华大', '大学', '清华大学']

提取关键词

基于 TF-IDF 算法的关键词提取

主要方法：jieba.analyse.extract_tags()。

示例：从一大段文字中，提取权重最大的10个词：

import jieba.analyse

sentence = "此处输入一段从《抖音短视频平台视频推荐模式研究》论文摘要的文字"

lst = list(jieba.analyse.extract_tags(sentence, topK=10, withWeight=True))
print(lst)

输出：

[('用户', 0.3929094073121466), ('算法', 0.31852534290005236), ('抖音', 0.31295202887172774), ('推荐', 0.20325666874565446), ('相似', 0.16927801753507857), ('信息', 0.16504274427549737), ('较为', 0.15097863326570682), ('兴趣', 0.14392620355853403), ('视频', 0.12655183091528796), ('程度', 0.10815390430659685)]

基于 TextRank 算法的关键词提取

主要方法：jieba.analyse.textrank()

同上面一样，对一段文字进行分词，提取权重最大的10个词：

import jieba.analyse

wds = jieba.analyse.textrank(sentence, topK=10, withWeight=True)
print(list(wds))

输出如下所示，两种方法结果答题有一定的差别。

[('用户', 1.0), ('推荐', 0.6122913546507132), ('相似', 0.4939847911677193), ('算法', 0.46654154935931447), ('程度', 0.43711703709780986), ('内容', 0.42872521331577557), ('兴趣', 0.4129996434929276), ('信
息', 0.4106703555516279), ('使用', 0.36742653835488254), ('基本', 0.2946577883247287)]