一、使用jieba进行分词
1. 中文分词(Chinese Word Segmentation)
指将一个汉字序列切分成一个一个单独的词。分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。
2. jieba分词的特点
（1）支持三种分词模式：
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；
精确模式：试图将句子最精确地切开，适合文本分析；
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。
（2）支持繁体分词
（3）支持自定义词典
（4）MIT 授权协议
3. 安装jieba
在mac系统中打开终端，输入命令 sudo easy_install pip 安装pip

install pip.png

install jieba.png

4. 不同模式下进行分词
本次分词练习所使用的语段如下：
汽车进口关税的下调，掀起了中国进口车市的降价热潮，更点燃了中国消费者的购买热情。5月22日，国家财政部发布公告，自2018年7月1日起，降低汽车整车及零部件进口关税。消息一出，各大车企纷纷表态，启动价格评估进而作出降价调整，但由于需要具体计算并不是所有车企都给出了明确的价格调整方案。

步骤如下：
在jieba文件夹下建立zrq2.py文件，四种模式分词代码分别如下图所示：

全模式 代码.png

精确模式 代码.png

默认精确模式 代码.png

搜索引擎模式 代码.png

全模式.png

精确模式.png

默认精确模式.png

搜索引擎模式.png

5. 添加自定义词典
a.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
b.用法： jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径
c.词典格式和 dict.txt 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file_name 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。
d.词频省略时使用自动计算的能保证分出该词的词频

步骤如下：
（1）在jieba文件夹下新建userdict.text,设置自定义的词，一个词占一行，以utf-8形式保存

userdict.png

添加自定义词典 代码.png

自定义词典.png

6. 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。
添加一个自定义词“进口车市”，对zrq3.py文件中的代码进行修改，如下图所示：

动态添加辞典 代码.png

动态添加词典.png

7. 基于 TF-IDF 算法的关键词抽取
引入关键词提取：import jieba.analyse

A. jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
a.sentence 为待提取的文本
b.topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20
c.withWeight 为是否一并返回关键词权重值，默认值为 False
d.allowPOS 仅包括指定词性的词，默认值为空，即不筛选
B. jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件

步骤如下：
在jieba文件夹下新建zrq4.py文件，代码如下：

TF-IDF关键词提取 代码.png

TF-IDF关键词提取.png

8. 基于 TextRank 算法的关键词抽取
基于TextRank算法抽取关键词的主调函数是TextRank.textrank函数，主要是在jieba/analyse/textrank.py中实现。其中，TextRank是为TextRank算法抽取关键词所定义的类。类在初始化时，默认加载了分词函数和词性标注函数
基本思想:
a.将待抽取关键词的文本进行分词
b.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
c.计算图中节点的PageRank，注意是无向带权图

步骤如下：
在jieba文件夹下新建zrq5.py，代码如下：

TextRank关键词提取 代码.png

TextRank关键词提取.png

9.制作词云
下载停用词表stop.txt，创建cloud.py文件提取关键词，代码如下：

import words.png

二、在线分词工具

1. GooSeeker集搜客
步骤如下：
（1）新建任务并导入数据，以word形式导入，如图：

导入数据.png

词语筛选.png

选词结果.png

分词效果.png

个人感受：
该分词工具导入数据的方式并非粘贴，而是支持导入不超过10M的excel、word、txt、pdf文档，分词结果可供下载。

2. K Analyzer在线分词工具

3. 站长工具