中文分词算法python_Python FMM算法的中文分词器实现方法源码

这是一篇基于Python代码使用FMM算法达到中文分词效果实现方法的文章。中文语句分词因为编码的关系在Python语言中并不是很好处理，关于中文乱码与编码的问题解决方法，可以参考玩蛇网的Python中文乱码与编码的问题 超高清视频教程。

本文的Python代码中用到了FMM算法，想要知道FMM算法是什么？大家可以自行百度一下，这里就是最简单思想是：使用贪心算法向前找n个，如果这n个组成的词在词典中出现，就通过；如果没有出现，那么找n-1个，一样一直继续下去；假如n个词在词典中出现，这时就要从n+1位置继续找下去，一直到句子的结束为止。

Python FMM算法的中文分词器实现方法源码如下：

import re

#导入re模块(Regular Expression正则表达式)

def PreProcess(sentence,edcode="utf-8"):

sentence = sentence.decode(edcode)

sentence=re.sub(u"[。，,！……!《》<>\"':：？\?、\|“”‘’；]"," ",sentence)

return sentence

def FMM(sentence,diction,result = [],maxwordLength = 4,edcode="utf-8"):

i = 0

sentence = PreProcess(sentence,edcode)

length = len(sentence)

while i < length:

# find the ascii word

tempi=i

tok=sentence[i:i+1]

while re.search("[0-9A-Za-z\-\+#@_\.]{1}",tok)<>None:

i= i+1

tok=sentence[i:i+1]

if i-tempi>0:

result.append(sentence[tempi:i].lower().encode(edcode))

# find chinese word

left = len(sentence[i:])

if left == 1:

"""go to 4 step over the FMM"""

"""should we add the last one? Yes, if not blank"""

if sentence[i:] <> " ":

result.append(sentence[i:].encode(edcode))

return result

m = min(left,maxwordLength)

#

for j in xrange(m,0,-1):

leftword = sentence[i:j+i].encode(edcode)

# print leftword.decode(edcode)

if LookUp(leftword,diction):

# find the left word in dictionary

# it's the right one

i = j+i

result.append(leftword)

break

elif j == 1:

"""only one word, add into result, if not blank"""

if leftword.decode(edcode) <> " ":

result.append(leftword)

i = i+1

else:

continue

return result

def LookUp(word,dictionary):

if dictionary.has_key(word):

return True

return False

def ConvertGBKtoUTF(sentence):

return sentence.decode('gbk').encode('utf-8')

dictions = {}

dictions["ab"] = 1

dictions["cd"] = 2

dictions["abc"] = 1

dictions["ss"] = 1

dictions[ConvertGBKtoUTF("好的")] = 1

dictions[ConvertGBKtoUTF("真的")] = 1

sentence = "asdfa好的是这样吗vasdiw呀真的daf dasfiw asid是吗？"

s = FMM(ConvertGBKtoUTF(sentence),dictions)

for i in s:

print i.decode("utf-8")

test = open("test.txt","r")

for line in test:

s = FMM(CovertGBKtoUTF(line),dictions)

for i in s:

print i.decode("utf-8")

Python中文分词的代码中多次出现了"utf-8"、'gbk'、decode、encode这类编python码转换的函数方法。对于大多数字初学python的朋友们来说，这是一个难点，并不容易理解。但一但理解透彻了又会感觉十分的简单。

这个基于Python FMM算法的中文分词器实现方法源码就这样了，能达要需要的效果实现，当然也可以再做更好的更改。希望和大家有更多的交流，有问题也可以在下面的评论区中一起学习交流。

玩蛇网文章，转载请注明出处和文章网址：/code/c2717.html

相关文章 Recommend