說到分詞大家肯定一般認為是很高深的技術，但是今天作者用短短幾十行代碼就搞定了，感嘆python很強大啊！作者也很強大。不過這個只是正向最大匹配，沒有機器學習能力

注意：使用前先要下載搜狗詞庫# -*- coding:utf-8 -*-

#寫了一個簡單的支持中文的正向最大匹配的機械分詞,其它不用解釋了，就幾十行代碼

#附：搜狗詞庫下載地址：http://vdisk.weibo.com/s/7RlE5

import string

__dict = {}

def load_dict(dict_file='words.dic'):

#加載詞庫，把詞庫加載成一個key為首字符，value為相關詞的列表的字典

words = [unicode(line, 'utf-8').split() for line in open(dict_file)]

for word_len, word in words:

first_char = word[0]

__dict.setdefault(first_char, [])

__dict[first_char].append(word)

#按詞的長度倒序排列

for first_char, words in __dict.items():

__dict[first_char] = sorted(words, key=lambda x:len(x), reverse=True)

def __match_ascii(i, input):

#返回連續的英文字母，數字，符號

result = ''

for i in range(i, len(input)):

if not input[i] in string.ascii_letters: break

result += input[i]

return result

def __match_word(first_char, i , input):

#根據當前位置進行分詞，ascii的直接讀取連續字符，中文的讀取詞庫

if not __dict.has_key(first_char):

if first_char in string.ascii_letters:

return __match_ascii(i, input)

return first_char

words = __dict[first_char]

for word in words:

if input[i:i+len(word)] == word:

return word

return first_char

def tokenize(input):

#對input進行分詞，input必須是uncode編碼

if not input: return []

tokens = []

i = 0

while i < len(input):

first_char = input[i]

matched_word = __match_word(first_char, i, input)

tokens.append(matched_word)

i += len(matched_word)

return tokens

if __name__ == '__main__':

def get_test_text():

import urllib2

url = "http://news.baidu.com/n?cmd=4&class=rolling&pn=1&from=tab&sub=0"

text = urllib2.urlopen(url).read()

return unicode(text, 'gbk')

def load_dict_test():

load_dict()

for first_char, words in __dict.items():

print '%s:%s' % (first_char, ' '.join(words))

def tokenize_test(text):

load_dict()

tokens = tokenize(text)

for token in tokens:

print token

tokenize_test(unicode(u'美麗的花園里有各種各樣的小動物'))

tokenize_test(get_test_text())我也學習啦~~~

總結

以上是生活随笔為你收集整理的python 英语分词_用几十行代码实现python中英文分词的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。