前言

本文以介绍 nlp 常见分词方法为目的，具体效果请大家自行辨别

中文分词

jieba

• 代码

  jieba.enable_paddle()  # 启动paddle模式。 0.40版之后开始支持，早期版本不支持
      seg_list = jieba.cut(data, use_paddle=True)  # 使用paddle模式
      print("Paddle Mode: " + '/'.join(list(seg_list)))
  
      seg_list = jieba.cut(data, cut_all=True)
      print("Full Mode: " + "/ ".join(seg_list))  # 全模式
  
      seg_list = jieba.cut(data, cut_all=False)
      print("Default Mode: " + "/ ".join(seg_list))  # 精确模式
  
      seg_list = jieba.cut_for_search(data)  # 搜索引擎模式
      print("Search Mode: " + "/ ".join(seg_list))
  

自定义词典

央视
神丹牌
莲田牌
土鸡蛋
新京报
湖北神丹健康食品有限公司
龙头企业
315晚会

• 新增代码

  jieba.load_userdict("../exp2/Userdict.txt")
  

详情见github

SnowNLP

• 代码

  def snow_nlp(data):
      s = SnowNLP(data)
      print(s.words)
      print(s.pinyin)
  

详情见github

THULAC

• 代码

  def thulac_nlp(data):
      thu1 = thulac.thulac()  # 默认模式
      text = thu1.cut(data, text=True)  # 进行一句话分词
      print(text)
  

详情见github

NLPIR

• 代码

  def pynlpir_nlp(data):
      pynlpir.open()
      ans = pynlpir.segment(data)
      print(ans)
  

详情见github，CSDN

StanfordCoreNLP

• 代码

  def stanford_nlp(data):
      # _*_coding:utf-8_*_
      with StanfordCoreNLP(r'D:\stanford-corenlp-full-2018-02-27', lang='zh') as nlp:
          print(nlp.word_tokenize(data))
  

详情见github

英文分词

NLTK

• 代码

  def nltk_nlp(data):
      ans = nltk.word_tokenize(data)
      print(ans)
  

详情见nltk.org，github，简书

Spacy

• 代码

  def spacy_nlp(data):
      nlp = spacy.load("en_core_web_sm")
      doc = nlp(data)
      ans = [token.text for token in doc]
      print(ans)
  

详情见csdn，spacy.io

StanfordCoreNLP

• 代码

  def stanford_nlp(data):
      # _*_coding:utf-8_*_
      with StanfordCoreNLP(r'D:\stanford-corenlp-full-2018-02-27') as nlp:
          print(nlp.word_tokenize(data))
  

详情见github

常见问题

问题一

• 问题：在尝试使用StanfordCoreNLP进行中文分词时，发生了报错现象。报错信息为编码不正确，使用的为4.4.0版本。

• 解决：怀疑是Python版本与StanfordCoreNLP版本不匹配引发的错误。github仓库中提供的版本对应表Python版本最低到3.7，而我使用的是3.6版本。之后尝试StanfordCoreNLP-3.7.0版本，但分词结果全为空。最后更改到StanfordCoreNLP-3.9.1版本（尝试了github仓库中提供样例使用的版本），得到正确的结果

  Py Version	CoreNLP Version
  v3.7.0.1 v3.7.0.2	CoreNLP 3.7.0
  v3.8.0.1	CoreNLP 3.8.0
  v3.9.1.1	CoreNLP 3.9.1

问题二

• 问题：在尝试使用Spacy进行英文分词时，加载模型使用spacy.load("en")，被告知，该方法已经被抛弃，建议使用spacy.load("en_core_web_sm")。之后，使用spacy.load("en_core_web_sm")，被告知找不到模型en_core_web_sm
• 解决：python -m spacy download en_core_web_sm大概率是不会成功的，我也确实没有通过这种方式成功安装。直接从github上下载，然后使用命令pip install en_core_web_sm-2.3.0.tar.gz进行安装，即可成功安装
• 详见Spacy问题的解决