结巴详解

https://github.com/SalutLyndon/hello-world/blob/master/中文自然语言处理基本流

# coding: utf-8

# ###jieba特性介绍

# 支持三种分词模式：

# 精确模式，试图将句子最精确地切开，适合文本分析；

# 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；

# 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

# 支持繁体分词。

# 支持自定义词典。

# MIT 授权协议。

# ###分词速度

# 1.5 MB / Second in Full Mode

# 400 KB / Second in Default Mode

# 测试环境: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《围城》.txt

# #一、第一部分

# ##Part 1. 分词

# jieba.cut 方法接受三个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用 HMM 模型。

# jieba.cut_for_search 方法接受两个参数：需要分词的字符串；是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细。

# 待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8。

# jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator，可以使用 for 循环来获得分词后得到的每一个词语(unicode)，或者用

# jieba.lcut 以及 jieba.lcut_for_search 直接返回 list。

# jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器，可用于同时使用不同词典。jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。

# In[1]:

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

# In[15]:

seg_list = jieba.cut("我来到北京清华大学", cut_all = False)

print("Precise Mode: " + "/".join(seg_list)) #精确模式，默认状态下也是精确模式

# In[16]:

seg_list = jieba.cut("他来到网易杭研大厦。")

print("Default Mode: " + "/".join(seg_list))

# In[14]:

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("Search Mode: " + "/".join(seg_list))

# ##Part 2. 添加自定义词典

# ###载入词典

# 开发者可以指定自己自定义的词典，以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力，但是自行添加新词可以保证更高的正确率。

# 用法： jieba.load_userdict(file_name) # file_name 为自定义词典的路径。

# 词典格式和dict.txt一样，一个词占一行；每一行分三部分，一部分为词语，另一部分为词频（可省略），最后为词性（可省略），用空格隔开。

# 词频可省略，使用计算出的能保证分出该词的词频。

# 更改分词器的 tmp_dir 和 cache_file 属性，可指定缓存文件位置，用于受限的文件系统。

# In[5]:

seg_list = jieba.cut("李小福是创新办主任也是云计算方面的专家。")

print("Origin: " + "/".join(seg_list))

# In[6]:

jieba.load_userdict("C:\\Users\\Luo Chen\\Desktop\\lixiaofu.txt")

seg_list = jieba.cut("李小福是创新办主任也是云计算方面的专家。")

print("Revise: " + "/".join(seg_list))

# ###调整词典

# 使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。

# 使用 suggest_freq(segment, tune=True) 可调节单个词语的词频，使其能（或不能）被分出来。

# 注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。

# In[7]:

print("/".join(jieba.cut("如果放到post中将出错。", HMM = False)))

# In[8]:

#利用调节词频使“中”，“将”都能被分出来

jieba.suggest_freq(("中", "将"), tune = True)

# In[9]:

print("/".join(jieba.cut("如果放到post中将出错。", HMM = False)))

# In[16]:

Original = "/".join(jieba.cut("江州市长江大桥参加了长江大桥的通车仪式。", HMM = False))

print "Original: " + Original

# In[21]:

jieba.add_word("江大桥", freq = 20000, tag = None)

print "/".join(jieba.cut("江州市长江大桥参加了长江大桥的通车仪式。"))

# In[20]:

jieba.load_userdict("C:\\Users\\Luo Chen\\Desktop\\shizhang.txt")

print "Revise: " + "/".join(jieba.cut("江州市长江大桥参加了长江大桥的通车仪式。", HMM = False))

# ##Part 3. 词性标注

# jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器，tokenizer 参数可指定内部使用的 jieba.Tokenizer 分词器。jieba.posseg.dt 为默认词性标注分词器。

# 标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法。

# In[22]:

import jieba.posseg as pseg

words = pseg.cut("我爱北京天安门。")

for w in words:

print("%s %s" %(w.word, w.flag))

# ##Part 4. 关键词提取

# ###基于 TF-IDF 算法的关键词提取

# import jieba.analyse

# jieba.analyse.extract_tags(sentence, topK = 20, withWeight = False, allowPOS = ())

# sentence:待提取的文本。

# topK:返回几个 TF/IDF 权重最大的关键词，默认值为20。

# withWeight:是否一并返回关键词权重值，默认值为False。

# allowPOS:仅包括指定词性的词，默认值为空，即不进行筛选。

# jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件。

# optparse模块OptionParser学习

# optparse是专门在命令行添加选项的一个模块。

# In[2]:

from optparse import OptionParser

MSG_USAGE = "myprog[ -f ][-s ] arg1[,arg2..]"

optParser = OptionParser(MSG_USAGE)

#以上，产生一个OptionParser的物件optParser。传入的值MSG_USAGE可被调用打印命令时显示出来。

optParser.add_option("-f","--file",action = "store",type="string",dest = "fileName")

optParser.add_option("-v","--vison", action="store_false", dest="verbose",default='gggggg',

help="make lots of noise [default]")

#调用OptionParser.add_option()添加选项，add_option()参数说明：

#action:存储方式，分为三种store, store_false, store_true

#type:类型

#dest:存储的变量

#default:默认值

#help:帮助信息

fakeArgs = ['-f','file.txt','-v','good luck to you', 'arg2', 'arge']

options, args = optParser.parse_args(fakeArgs)

print options.fileName

print options.verbose

print options

print args

#调用OptionParser.parse_args()剖析并返回一个directory和一个list

#parse_args()说明:

#如果没有传入参数，parse_args会默认将sys.argv[1:]的值作为默认参数。这里我们将fakeArgs模拟输入的值。

#从返回结果中可以看到，

#options为是一个directory,它的内容fakeArgs为“参数/值 ”的键值对。

#args 是一个list，它的内容是fakeargs除去options后，剩余的输入内容。

#options.version和options.fileName都取到与options中的directory的值。

print optParser.print_help()

#输出帮助信息

#optParser.print_help()说明：

#1、最开始的的MSG_USAGE的值:在这个地方显示出来了。

#2、自动添加了-h这个参数。

# In[14]:

import jieba.analyse as anl

f = open("C:\\Users\\Luo Chen\\Desktop\\demo.txt", "r").read()

seg = anl.extract_tags(f, topK = 20, withWeight = True)

for tag, weight in seg:

print "%s %s" %(tag, weight)

# 关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径。

# jieba.analyse.set_idf_path(file_name) #file_name为自定义语料库的路径

# 如：jieba.analyse.set_idf_path("../extra_dict/idf.txt.big")

# .big文件一般是游戏中的文件，比较常见的用途是装载游戏的音乐、声音等文件。

# 关键词提取所使用停用词（Stop Words）文本语料库可以切换成自定义语料库的路径。

# jieba.analyse.set_stop_words(file_name) #file_name为自定义语料库的路径。

# 如：jieba.analyse.set_stop_words("../extra_dict/stop_words.txt")

# ###基于 TextRank 算法的关键词提取

# 基本思想:

# 将待抽取关键词的文本进行分词；

# 以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图；

# 计算图中节点的PageRank，注意是无向带权图。

# jieba.analyse.textrank(sentence, topK = 20, withWeight = False, allowPOS = ('ns', 'n', 'v', 'nv')) 注意默认过滤词性。

# jieba.analyse.TextRank() 新建自定义TextRank实例。

# In[16]:

s = "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚置业注册资本由7000万元增加到5亿元。吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年，实现营业收入0万元，实现净利润-139.13万元。"

for x, w in jieba.analyse.textrank(s, topK = 5, withWeight = True):

print("%s %s" % (x, w))

# ##Part 5. 并行分词（多进程分词）

# 原理：将目标文本按行分隔后，把各行文本分配到多个 Python 进程并行分词，然后归并结果，从而获得分词速度的可观提升。

# 基于 python 自带的 multiprocessing 模块，目前暂不支持 Windows。

# 用法：

# jieba.enable_parallel(4) # 开启并行分词模式，参数为并行进程数

# jieba.disable_parallel() # 关闭并行分词模式

# 实验结果：在 4 核 3.4GHz Linux 机器上，对金庸全集进行精确分词，获得了 1MB/s 的速度，是单进程版的 3.3 倍。

# 注意：并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。

# ##Part 6. Tokenize: 返回词语在原文的起止位置

# 注意：输入参数只接受 unicode

# 两种模式：默认模式、搜索模式。

# ###默认模式

# In[19]:

result = jieba.tokenize(u"永和服装饰品有限公司")

for tk in result:

print("%s \t start at: %d \t end at: %d" %(tk[0], tk[1], tk[2]))

# ###搜索模式

# 把句子中所有的可以成词的词语都扫描出来并确定位置。

# In[20]:

result = jieba.tokenize(u"永和服装饰品有限公司", mode = "search")

for tk in result:

print("%s \t start at: %d \t end at: %d" % (tk[0], tk[1], tk[2]))

# ##Part 7. 延迟加载机制

# jieba 采用延迟加载，import jieba 和 jieba.Tokenizer() 不会立即触发词典的加载，一旦有必要才开始加载词典构建前缀字典。如果你想手工初始 jieba，也可以手动初始化。

# import jieba

# jieba.initialize() #手动初始化（可选）

# 在 0.28 之前的版本是不能指定主词典的路径的，有了延迟加载机制后，你可以改变主词典的路径:

# jieba.set_dictionary("data/dict.txt.big")

# 也可以下载你所需要的词典，然后覆盖jieba/dict.txt即可。

# #二、第二部分

# ##Part 1. 词频统计、降序排序

# In[21]:

article = open("C:\\Users\\Luo Chen\\Desktop\\demo_long.txt", "r").read()

words = jieba.cut(article, cut_all = False)

word_freq = {}

for word in words:

if word in word_freq:

word_freq[word] += 1

else:

word_freq[word] = 1

freq_word = []

for word, freq in word_freq.items():

freq_word.append((word, freq))

freq_word.sort(key = lambda x: x[1], reverse = True)

max_number = int(raw_input(u"需要前多少位高频词？ "))

for word, freq in freq_word[: max_number]:

print word, freq

# ##Part 2. 人工去停用词

# 标点符号、虚词、连词不在统计范围内。

# In[22]:

stopwords = []

for word in open("C:\\Users\\Luo Chen\\Desktop\\stop_words.txt", "r"):

stopwords.append(word.strip())

article = open("C:\\Users\\Luo Chen\\Desktop\\demo_long.txt", "r").read()

words = jieba.cut(article, cut_all = False)

stayed_line = ""

for word in words:

if word.encode("utf-8") not in stopwords:

stayed_line += word + " "

print stayed_line

# ##Part 3. 合并同义词

# 将同义词列举出来，按下Tab键分隔，把第一个词作为需要显示的词语，后面的词语作为要替代的同义词，一系列同义词放在一行。

# 这里，“北京”、“首都”、“京城”、“北平城”、“故都”为同义词。

# In[24]:

combine_dict = {}

for line in open("C:\\Users\\Luo Chen\\Desktop\\tongyici.txt", "r"):

seperate_word = line.strip().split("\t")

num = len(seperate_word)

for i in range(1, num):

combine_dict[seperate_word[i]] = seperate_word[0]

jieba.suggest_freq("北平城", tune = True)

seg_list = jieba.cut("北京是中国的首都，京城的景色非常优美，就像当年的北平城，我爱这故都的一草一木。", cut_all = False)

f = ",".join(seg_list)

result = open("C:\\Users\\Luo Chen\\Desktop\\output.txt", "w")

result.write(f.encode("utf-8"))

result.close()

for line in open("C:\\Users\\Luo Chen\\Desktop\\output.txt", "r"):

line_1 = line.split(",")

final_sentence = ""

for word in line_1:

if word in combine_dict:

word = combine_dict[word]

final_sentence += word

else:

final_sentence += word

print final_sentence

# ##Part 4. 词语提及率

# 主要步骤：分词——过滤停用词（略）——替代同义词——计算词语在文本中出现的概率。

# In[31]:

origin = open("C:\\Users\\Luo Chen\\Desktop\\tijilv.txt", "r").read()

jieba.suggest_freq("晨妈妈", tune = True)

jieba.suggest_freq("大黑牛", tune = True)

jieba.suggest_freq("能力者", tune = True)

seg_list = jieba.cut(origin, cut_all = False)

f = ",".join(seg_list)

output_1 = open("C:\\Users\\Luo Chen\\Desktop\\output_1.txt", "w")

output_1.write(f.encode("utf-8"))

output_1.close()

combine_dict = {}

for w in open("C:\\Users\\Luo Chen\\Desktop\\tongyici.txt", "r"):

w_1 = w.strip().split("\t")

num = len(w_1)

for i in range(0, num):

combine_dict[w_1[i]] = w_1[0]

seg_list_2 = ""

for i in open("C:\\Users\\Luo Chen\\Desktop\\output_1.txt", "r"):

i_1 = i.split(",")

for word in i_1:

if word in combine_dict:

word = combine_dict[word]

seg_list_2 += word

else:

seg_list_2 += word

print seg_list_2

# In[35]:

freq_word = {}

seg_list_3 = jieba.cut(seg_list_2, cut_all = False)

for word in seg_list_3:

if word in freq_word:

freq_word[word] += 1

else:

freq_word[word] = 1

freq_word_1 = []

for word, freq in freq_word.items():

freq_word_1.append((word, freq))

freq_word_1.sort(key = lambda x: x[1], reverse = True)

for word, freq in freq_word_1:

print word, freq

total_freq = 0

for i in freq_word_1:

total_freq += i[1]

for word, freq in freq_word.items():

freq = float(freq) / float(total_freq)

print word, freq

# ##Part 5. 按词性提取

# In[36]:

import jieba.posseg as pseg

word = pseg.cut("李晨好帅，又能力超强，是“大黑牛”，也是一个能力者，还是队里贴心的晨妈妈。")

for w in word:

if w.flag in ["n", "v", "x"]:

print w.word, w.flag

支持三种分词模式：
◾ 精确模式，试图将句子最精确地切开，适合文本分析；

◾ 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；

◾ 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。
支持繁体分词
支持自定义词典

Python2.x 下的安装
- 全自动安装：easy_install jieba 或者 pip install jieba
- 半自动安装：先下载http://pypi.python.org/pypi/jieba/ ，解压后运行pythonsetup.py install
- 手动安装：将jieba目录放置于当前目录或者site-packages目录
- 通过import jieba 来引用（第一次import时需要构建Trie树，需要几秒时间）
Python3.x 下的安装
- Python3.x 版本的分支也已经基本可用：
 
 https://github.com/fxsjy/jieba/tree/jieba3k
 
 [html] view plain copy
 
 git clone https://github.com/fxsjy/jieba.git
 git checkout jieba3k
 python setup.py install<h1 style="font-family: Helvetica, arial, freesans, clean, sans-serif; font-size: 28px;"><a target=_blank name="-1" href="https://github.com/fxsjy/jieba/blob/master/README.md#-1"></a>功能 1)：分词</h1><ul class=" list-paddingleft-2" style="color: rgb(51, 51, 51); font-family: Helvetica, arial, freesans, clean, sans-serif; font-size: 14px;"><li>jieba.cut方法接受两个输入参数: 1) 第一个参数为需要分词的字符串 2）cut_all参数用来控制是否采用全模式 </li><li>jieba.cut_for_search方法接受一个参数：需要分词的字符串,该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细 </li><li> 注意：待分词的字符串可以是gbk字符串、utf-8字符串或者unicode </li><li> jieba.cut以及jieba.cut_for_search返回的结构都是一个可迭代的generator，可以使用for循环来获得分词后得到的每一个词语(unicode)，也可以用list(jieba.cut(...))转化为list </li></ul>代码示例( 分词 )<pre>#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)
 
 Output:
 
 【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学【精确模式】: 我/ 来到/ 北京/ 清华大学【新词识别】：他, 来到, 了, 网易, 杭研, 大厦 (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)【搜索引擎模式】：小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造
 
 功能 2) ：添加自定义词典
 
 开发者可以指定自己自定义的词典，以便包含jieba词库里没有的词。虽然jieba有新词识别能力，但是自行添加新词可以保证更高的正确率
 
 用法： jieba.load_userdict(file_name) # file_name为自定义词典的路径
 
 词典格式和dict.txt一样，一个词占一行；每一行分三部分，一部分为词语，另一部分为词频，最后为词性（可省略），用空格隔开
 
 范例：
 
 之前：李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /
 
 加载自定义词库后：　李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /
 
 自定义词典：https://github.com/fxsjy/jieba/blob/master/test/userdict.txt
 
 用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py
 
 "通过用户自定义词典来增强歧义纠错能力" --- https://github.com/fxsjy/jieba/issues/14
 
 功能 3) ：关键词提取
 
 jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse
 
 setence为待提取的文本
 
 topK为返回几个TF/IDF权重最大的关键词，默认值为20
 
 代码示例（关键词提取）
 
 https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py
 
 功能 4) : 词性标注（这是重点）
 
 标注句子分词后每个词的词性，采用和ictclas兼容的标记法
 
 用法示例
 
 >>> import jieba.posseg as pseg >>> words =pseg.cut("我爱北京天安门") >>> for w in words: ... print w.word,w.flag ... 我 r 爱 v 北京 ns 天安门 ns
 
 功能 5) : 并行分词
 
 原理：将目标文本按行分隔后，把各行文本分配到多个python进程并行分词，然后归并结果，从而获得分词速度的可观提升
 
 基于python自带的multiprocessing模块，目前暂不支持windows
 
 用法：
 
 jieba.enable_parallel(4) # 开启并行分词模式，参数为并行进程数
 
 jieba.disable_parallel() # 关闭并行分词模式
 
 例子： https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py
 
 实验结果：在4核3.4GHz Linux机器上，对金庸全集进行精确分词，获得了1MB/s的速度，是单进程版的3.3倍。
 
 功能 6) : Tokenize：返回词语在原文的起始位置
 
 注意，输入参数只接受unicode
 
 默认模式
 
 result = jieba.tokenize(u'永和服装饰品有限公司')
 
 for tk in result:
 
 print "word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2])
 
 word 永和 start: 0 end:2 word 服装 start: 2 end:4 word 饰品 start: 4 end:6 word 有限公司 start: 6 end:10
 
 搜索模式
 
 result = jieba.tokenize(u'永和服装饰品有限公司',mode='search')
 
 for tk in result:
 
 print "word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2])
 
 word 永和 start: 0 end:2 word 服装 start: 2 end:4 word 饰品 start: 4 end:6 word 有限 start: 6 end:8 word 公司 start: 8 end:10 word 有限公司 start: 6 end:10
 
 功能 7) : ChineseAnalyzerfor Whoosh搜索引擎
 
 引用： from jieba.analyse import ChineseAnalyzer
 
 用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py
 
 另附词性标注表如下：
 
 1. 名词 (1个一类，7个二类，5个三类)
 名词分为以下子类：
 n 名词
 nr 人名
 nr1 汉语姓氏
 nr2 汉语名字
 nrj 日语人名
 nrf 音译人名
 ns 地名
 nsf 音译地名
 nt 机构团体名
 nz 其它专名
 nl 名词性惯用语
 ng 名词性语素
 2. 时间词(1个一类，1个二类)
 t 时间词
 tg 时间词性语素
 3. 处所词(1个一类)
 s 处所词
 4. 方位词(1个一类)
 f 方位词
 5. 动词(1个一类，9个二类)
 v 动词
 vd 副动词
 vn 名动词
 vshi 动词“是”
 vyou 动词“有”
 vf 趋向动词
 vx 形式动词
 vi 不及物动词（内动词）
 vl 动词性惯用语
 vg 动词性语素
 6. 形容词(1个一类，4个二类)
 a 形容词
 ad 副形词
 an 名形词
 ag 形容词性语素
 al 形容词性惯用语
 7. 区别词(1个一类，2个二类)
 b 区别词
 bl 区别词性惯用语
 8. 状态词(1个一类)
 z 状态词
 9. 代词(1个一类，4个二类，6个三类)
 r 代词
 rr 人称代词
 rz 指示代词
 rzt 时间指示代词
 rzs 处所指示代词
 rzv 谓词性指示代词
 ry 疑问代词
 ryt 时间疑问代词
 rys 处所疑问代词
 ryv 谓词性疑问代词
 rg 代词性语素
 10. 数词(1个一类，1个二类)
 m 数词
 mq 数量词
 11. 量词(1个一类，2个二类)
 q 量词
 qv 动量词
 qt 时量词
 12. 副词(1个一类)
 d 副词
 13. 介词(1个一类，2个二类)
 p 介词
 pba 介词“把”
 pbei 介词“被”
 14. 连词(1个一类，1个二类)
 c 连词
 cc 并列连词
 15. 助词(1个一类，15个二类)
 u 助词
 uzhe 着
 ule 了喽
 uguo 过
 ude1 的底
 ude2 地
 ude3 得
 usuo 所
 udeng 等等等云云
 uyy 一样一般似的般
 udh 的话
 uls 来讲来说而言说来
 uzhi 之
 ulian 连（“连小学生都会”）
 16. 叹词(1个一类)
 e 叹词
 17. 语气词(1个一类)
 y 语气词(delete yg)
 18. 拟声词(1个一类)
 o 拟声词
 19. 前缀(1个一类)
 h 前缀
 20. 后缀(1个一类)
 k 后缀
 21. 字符串(1个一类，2个二类)
 x 字符串
 xx 非语素字
 xu 网址URL
 22. 标点符号(1个一类，16个二类)
 w 标点符号
 wkz 左括号，全角：（〔［｛《【〖〈半角：( [ { <
 wky 右括号，全角：）〕］｝》】〗〉半角： ) ] { >
 wyz 左引号，全角：“ ‘ 『
 wyy 右引号，全角：” ’ 』
 wj 句号，全角：。
 ww 问号，全角：？半角：?
 wt 叹号，全角：！半角：!
 wd 逗号，全角：，半角：,
 wf 分号，全角：；半角： ;
 wn 顿号，全角：、
 wm 冒号，全角：：半角： :
 ws 省略号，全角：…… …
 wp 破折号，全角：—— －－ ——－半角：--- ----
 wb 百分号千分号，全角：％ ‰ 半角：%
 wh 单位符号，全角：￥＄￡ ° ℃ 半角：$

查看全文
如若内容造成侵权/违法违规/事实不符，请联系编程学习网邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！

Centos安装sqlmap工具
sqlmap工具是运行在python环境下的。所以在下载之前，需要安装python环境，我选择的是python3，毕竟是新版本，后续的趋势。 sudo yum install python3 安装完毕后，就可以下载sqlmap工具了。 wget https://codeload.github.com/sqlmapproject/sqlmap/legacy.tar.gz/master下载…...
2024/4/18 18:30:34
CSDN自动评论返积分工具
关于：大家都知道CSDN的资源下载是需要积分的，然而我的下载分并不多，每次下载了更是懒得去评论，，，所以经常看到想下载的又没分。。。于是1年前研究了下CSDN的协议，开发了一个自动评论返积分的工具，并且发布到了吾爱破解，很是方便，下载一些0分的资源，评论也会返回一分…...
2024/4/12 20:12:26
Tagsupport类生命周期
Tagsupport类生命周期TagSupport类中定义的常量及方法： No 常量及方法类型描述 1 protected PageContext pageContext 属性表示pageContext对象，可以操作4种属性范围 2 public static final int SKIP_BODY 常量忽略标签体内容，将操作转交给doEndTag() 3 public static …...
2024/4/9 8:14:12
关于Android开发导航app源码分享
今天我给大家分享的是一份关于Android导航的app源码点击下载源码请添加链接描述...
2024/4/12 20:12:10
nagios监控主机显示down，监控的服务却正常
迁移nagios监控遇到这个问题：nagios监控主机显示down，监控的服务却正常。查询很多资料都说是服务器禁用所有PING导致；查看了下新服务器的防火墙配置情况下；端口5666正常；监控服务器check_nrpe脚本也可以正常使用一直没找出问题就放了一段时间，后来查看nagios的日志发现报…...
2024/4/15 8:47:23
sqlmap的post使用方法
http://120.24.86.145:8002/chengjidan/index.php注入通过post提交id查询。1.使用burpSuite拦截post包，复制下数据包为a.txt2.sqlmap -r a.txt -p 参数 --batch 默认选择 --dump-all 直接爆破所有例如 sqlmap -r a.txt -p username --batch --dump-all...
2024/4/26 19:08:50
Python之路,Day1 - Python基础1
本节内容Python介绍发展史Python 2 or 3?安装Hello World程序变量用户输入模块初识.pyc是个什么？数据类型初识数据运算表达式if ...else语句表达式for 循环break and continue 表达式while 循环作业需求一、 Python介绍python的创始人为吉多范罗苏姆（Guido van Rossum）。1…...
2024/4/15 8:47:43
通过继承TagSupport编写标签的方法
通过继承TagSupport编写标签的方法编写自定义标签有两种方法： 1.实现Tag(接口) 2.继承TagSupport(支持) 下面就通过使用TagSupport类制作自定义标签注意：TagSupport是Tag的一个子接口的实现类还是以上次博客的例子为例： 1.编写一个类继承TagSupport： package javastudy;…...
2024/4/12 20:12:31
这不是广告！千万不要相信淘宝上卖的CSDN会员！！！
最近踩坑了，在淘宝上贪便宜花了一张毛爷爷买了年会会员，账号肯定不是自己的账号，是卖家给的账号，结果进去发现几个雷：开通时间不是当天，早就开通了，所以肯定不满一年了说好的600次下载，已经被用掉了50、60次查看登录地址，每天有很多人都在线。问卖家是不是一个账号多人…...
2024/4/27 20:41:38
RecyclerView的Item的单击事件
RecyclerView 的每个Item的点击事件并没有像 ListView 一样封装在组件中，需要 Item 的单击事件时就需要自己去实现，在 Adapter 中为RecyclerView 添加单击事件参考如下： RecyclerView的使用方法请参考：RecyclerView的简单使用第一步：在 RecyclerView 的 Adapyer 中定义单…...
2024/4/12 20:12:15
Python3操作sqlmap
前言：由于工作需要，需要用到强大的sql注入工具sqlmap，记一次初体验；环境安装：本人环境：win10/py2.7,/y3.6在安装之前我搜了很多帖子，很多重复的帖子，大概都是说sqlmap是基于python2.x进行开发的，所以要使用sqlmap请先安装python2云云......但是我在pypi上面看到这句话…...
2024/4/12 20:12:20
TagSupport与BodyTagSupport的区别
一、传统标签的开发 1、在开发传统标签之前，需要了解两个支持类的生命周期。 1、TagSupport 2、BodyTagSupport 2、TagSupport类的生命周期：如果所示 3、TagSupport类的生命周期方法方法名描述返回值说明doStarTag()容器在遇开始标签的时会调用这个…...
2024/4/12 20:12:26
CSDN博客添加使用百度统计
最初使用的是量子恒道的统计功能，现在它已经停止服务好长一段时间了；博客的累计访问次数已经400万了，每天都有上万的访问量了，开始关注因访问量而带来的收益问题，所以还是要添加一个统计功能，认真做一做分析。今天就研究了一下怎么使用百度统计。统计功能要求使用此功能，…...
2024/4/12 20:13:17
图文介绍在Windows环境下iOS app上架流程
现在很多伙伴跨平台开发应用，有些童鞋没有苹果机，本文将介绍，如何在Windows系统环境下直接上架APP，不用去搞虚拟机之类的了，Windows下照样轻松打包上架iOS APP。下面从七个步骤进行详细介绍！1、创建唯一标示符App IDs2、申请发布证书3、申请发布描述文件4、iTunes Connec…...
2024/4/12 20:13:02
sqlmap使用教程及基本命令
一、SQLMAP用于Access数据库注入(1) 猜解是否能注入sqlmap.py -u "http://www.xxx.com/show.asp?id=1216"(2) 猜解表python sqlmap.py -u "http://www.xxx.com/show.asp?id=1216" --tables(3) 根据猜解的表进行猜解表的字段python sqlmap.py -u "ht…...
2024/4/20 11:47:24
TagSupport使用入门
Java代码定义最简单的标签自定义标签采用Default Adapter模式（缺省适配模式） Java代码 //最简单的标签 public class LangHuaTag extends TagSupport { private long startTime; private long endTime; public int doStartTag() throws JspExce…...
2024/4/12 20:12:52
RecyclerView的刷新分页
在开发中常常使用到刷新分页，这里实现一个 RecyclerView 的简单的刷新分页操作，测试效果见文末，实现过程参考如下：实现思路加载更多数据使用到 RecyclerView 加载多种布局，根据 ViewType 判断加载数据 Item 还是加载 FooterItem ; 通过线程模拟加载数据; 为 RecyclerView…...
2024/4/16 21:19:02
iOS开源项目周报0316
由OpenDigg 出品的iOS开源项目周报第十二期来啦。我们的iOS开源周报集合了OpenDigg一周来新收录的优质的iOS开源项目，方便iOS开发人员便捷的找到自己需要的项目工具等。GodEye iOS系统信息监控Pageboy 高度信息化的页面视图控制器Marathon 编写运行管理Swift脚本ETNavBarTrans…...
2024/4/19 8:21:32
CSDN博客导出工具 Mac By Swift
写这个的目的主要是用于了解Swift语言本身，以及如何与Objc和第三方框架交互需要先使用CSDN账号来登录，可以导出所有的博客文章，添加YAML头信息的时候，会在头信息里面包含文章对应的标签和分类，以及对应的文章类型（原创、转载、翻译)开发环境OS X 10.10，Xcode6 Beta4，由…...
2024/4/17 18:47:46
ISCW LAB综合实验
最近学到ISCW的最后几节，看了张sir的LAB视频，因此就依葫芦画瓢，认真学习了这个综合实验，花了两天时间终于完成这个实验了和这份实验日志..命令都是自己打出来的，自己辛苦，方便大众..稍后我会将每条命令的详解补上去...PS：在此首先感谢haocong，用的实验的环境是haocong …...
2024/4/20 0:46:09

功能 2) ：添加自定义词典

功能 3) ：关键词提取

功能 4) : 词性标注（这是重点）

功能 5) : 并行分词

功能 6) : Tokenize：返回词语在原文的起始位置

功能 7) : ChineseAnalyzerfor Whoosh搜索引擎

结巴详解

Python2.x 下的安装

Python3.x 下的安装

相关文章

最新文章