python使用jieba实现中文文档分词和去停用词

Posted 2020-11-20

分词工具的选择：

　　现在对于中文分词，分词工具有很多种，比如说：jieba分词、thulac、SnowNLP等。在这篇文档中，笔者使用的jieba分词，并且基于python3环境，选择jieba分词的理由是其比较简单易学，容易上手，并且分词效果还很不错。

分词前的准备：

• 待分词的中文文档
• 存放分词之后的结果文档
• 中文停用词文档（用于去停用词，在网上可以找到很多）

分词之后的结果呈现：

 去停用词和分词前的中文文档

去停用词和分词之后的结果文档

分词和去停用词代码实现：

 1 import jieba
 2 
 3 # 创建停用词列表
 4 def stopwordslist():
 5     stopwords = [line.strip() for line in open(\'chinsesstoptxt.txt\',encoding=\'UTF-8\').readlines()]
 6     return stopwords
 7 
 8 # 对句子进行中文分词
 9 def seg_depart(sentence):
10     # 对文档中的每一行进行中文分词
11     print("正在分词")
12     sentence_depart = jieba.cut(sentence.strip())
13     # 创建一个停用词列表
14     stopwords = stopwordslist()
15     # 输出结果为outstr
16     outstr = \'\'
17     # 去停用词
18     for word in sentence_depart:
19         if word not in stopwords:
20             if word != \'\\t\':
21                 outstr += word
22                 outstr += " "
23     return outstr
24 
25 # 给出文档路径
26 filename = "Init.txt"
27 outfilename = "out.txt"
28 inputs = open(filename, \'r\', encoding=\'UTF-8\')
29 outputs = open(outfilename, \'w\', encoding=\'UTF-8\')
30 
31 # 将输出结果写入ou.txt中
32 for line in inputs:
33     line_seg = seg_depart(line)
34     outputs.write(line_seg + \'\\n\')
35     print("-------------------正在分词和去停用词-----------")
36 outputs.close()
37 inputs.close()
38 print("删除停用词和分词成功！！！")