Python结巴中文分词工具使用过程中遇到的问题及解决方法

发表于 5年以前 | 总阅读数：909 次

本文实例讲述了Python结巴中文分词工具使用过程中遇到的问题及解决方法。分享给大家供大家参考，具体如下：

结巴分词是Python语言中效果最好的分词工具，其功能包括：分词、词性标注、关键词抽取、支持用户词表等。这几天一直在研究这个工具，在安装与使用过程中遇到一些问题，现在把自己的一些方法帖出来分享一下。

1、安装。

按照官网上的说法，有三种安装方式，

第一种是全自动安装：easy_install jieba 或者 pip install jieba，可是并没有找到它提供这个安装程序。

第二种方法是半自动安装：先下载http://pypi.python.org/pypi/jieba/ ，解压后在cmd命令行中运行 python setup.py install。这里需要注意的是，默认情况下，不能在cmd中直接运行python命令，需要把它的路径加入到环境变量path中方可。我试过，可行。但是这种方法安装之后，结巴分词功能只能在Python自带的IDLE中使用。在含有PyDEV的MyEclipse中不能执行"import jieba"命令，所以继续尝试第三种方法。

第三种方法是手动安装：将jieba目录放置于当前目录或者site-packages目录。把下载到的jieba-0.30.zip解压后，里面有个jibba的文件夹，把它复制到与你的Python程序相同的位置，这样在程序中就可以执行"import jieba"了。

2、关于分词的实现

官网提供了分词的基本用法示例：


    #encoding=utf-8
    import jieba
    seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
    print "Full Mode:", "/ ".join(seg_list) # 全模式
    seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
    print "Default Mode:", "/ ".join(seg_list) # 精确模式
    seg_list = jieba.cut("他来到了网易杭研大厦") # 默认是精确模式
    print ", ".join(seg_list)
    seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造") # 搜索引擎模式
    print ", ".join(seg_list)

程序可以执行，但是在MyEclipse中显示中文为Unicode编码，这不科学。

但是继续执行另一个词性标注的示例却非常正常：


    import jieba.posseg as pseg
    words = pseg.cut("我爱北京天安门")
    for w in words:
      print w.word, w.flag

所以我就想去分析一下它的源代码，结果发现在jiba/init.py文件（这是实现分词的文件）的第209行（cut函数）中有关于检查编码的语句块：


    if not isinstance(sentence, unicode):
      try:
       sentence = sentence.decode('utf-8')
      except UnicodeDecodeError:
       sentence = sentence.decode('gbk','ignore')

而在jieba/posseg/init.py文件（这是实现词性标注的文件）第158行的cut函数中却没有发现此类代码。所以我猜想，前者有检查编码的代码就出现乱码，而后者没有检查编码的代码而正常显示，所以就把前者检查编码的代码给注释了，结果程序执行报错，只好又把人家的源码还原，结果中文又正常显示了！

运行效果如下图：