Python使用pynlpir进行中文分词并保留段落信息
作者：PythonFun
nlpir是由张华平博士开发的中文自然处理工具,可以对中文文本进行分词、聚类分析等,本文主要介绍了使用pynlpir进行中文分词并保留段落信息的具体方法,希望对大家有所帮助
一、引言
nlpir是由张华平博士开发的中文自然处理工具，可以对中文文本进行分词、聚类分析等，它既有在线的中文数据大数据语义智能分析平台，也有相关的python包pynlpir，其github的地址是：
这个包的使用是免费的，但是授权文件需要每个月更新一次。
二、利用pynlpir进行分词
1.安装模块
首先要安装这个模块，安装方法是在cmd命令行下输入：
pip install pynlpir
2. 更新授权
安装后还可能需要更新一下授权
pynlpir update
3. 开始批量分词
1）基础分词
import pynlpir
pynlpir.open()
s = '欢迎科研人员、技术工程师、企事业单位与个人参与NLPIR平台的建设工作。'
segs = pynlpir.segment(s)
for seg in segs:
print(seg)
显示结果：
基本使用方法
2）批量分词
主要是采用os模块批量读取当前目录下的txt文件，然后分别按段落读取、分词、标注。词与标注信息之前中【_】来连接，两个词之间用【|】，段落之间加入换行符号，然后写入到【seg_】开头的txt文件里。这里，我们采用的是英文的标注信息，每个文件标注完成后会生成新的文件，最终代码如下：
import pynlpir
import os
# 初始化分词库
pynlpir.open ()
# 进行分词操作
txts = [file for file in os.listdir(".") if file.endswith(".txt")]
for txt in txts:
with open(txt,"r",encoding="utf-8") as f:
lines = [line.strip() for line in f.readlines()]
for line in lines:
segments = pynlpir.segment (line, pos_tagging=True,pos_english=True)
with open("segged_"+os.path.basename(txt),"a+",encoding="utf-8") as fi:
for segment in segments:
try:
fi.write(str(segment[0])+"_"+str(segment[1])+"|")
except Exception as exc:
print(exc,segment)
fi.write("\n")
# 关闭分词库
pynlpir.close ()
4. 分词效果展示
经过分词和标注后的文件截图展示如下，可以看到很好地保留了段落的信息，这为后面进行词性统计也做好了准备。后期，可以根据nlpir的标注集，对于所有文本中的词性进行统计分析。
三、学后反思
pynlpir这个包分词速度还是很快的，但是使用起来有一定的难度。更新license时可以去github上下载，或者本地使用代理下载。
导入自定义字典时，注意字典编码要转化为ANSI编码，否则可能会报错。
批量分词时，注意文件的路径最好不要有中文，否则也可能无法顺利分词。
如果是在Linux上更新Lincense的话，为了保险起见，可以先去github上下载，再进行上传，以确保万无一失。
到此这篇关于Python使用pynlpir进行中文分词并保留段落信息的文章就介绍到这了,更多相关Python pynlpir中文分词内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！