cygwin下用Python+jieba给文本分词并提取高频词

今晚小折腾了一下在cygwin下用Python和jieba分词（结巴分词）组件给文本分词并提取高频词，过程记录如下：

目的

分析某行业中，用户最关心的一些需求，再根据这一需求去调整站内TDK，以及一些频道、内容的规划

过程

1、下载安装cygwin：http://www.cygwin.com/

2、cygwin安装时别忘记安装curl，wget，iconv，lynx，dos2unix，Python等常用工具，特别是Python，这次主要就是用它了。

3、去下载jieba中文分词组件：

        首选：https://github.com/fxsjy/jieba/archive/master.zip

        备用：https://pypi.python.org/pypi/jieba/

4、安装jieba中文分词组件：

        全自动安装： easy_install jieba 或者 pip install jieba / pip3 install jieba

        半自动安装：先下载 https://pypi.python.org/pypi/jieba/ ，解压后运行 python setup.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

5、复制以下代码，另存为“jiebacmd.py”

6、新建一个文件夹，将你需要分词的文本和jiebacmd.py拷进去，记住文本需要另存为utf-8编码，然后在cygwin里用cd命令把工作目录切换进新建的文件夹，再输入以下命令：cat abc.txt|python jiebacmd.py|sort|uniq -c|sort -nr|head -100

#encoding=utf-8
#usage example (find top 100 words in abc.txt):
#用途：找出abc.txt文件中出现频率最高的前100个词
#复制以下命令到cygwin里运行，abc.txt是你文本的文件名，head -100可以自己改成想要提取的前多少个词
#cat abc.txt | python jiebacmd.py | sort | uniq -c | sort -nr -k1 | head -100
#以上都是注释，不影响程序运行
from __future__ import unicode_literals
import sys
sys.path.append("../")
reload(sys)
sys.setdefaultencoding( "utf-8" )
import jieba
default_encoding='utf-8'
if len(sys.argv)>1:
    default_encoding = sys.argv[1]
while True:
    line = sys.stdin.readline()
    if line=="":
        break
    line = line.strip()
    for word in jieba.cut(line):
        print(word)

结果

效果如下图，完成16万个关键词的分词、去重、按关键词的出现次数排序、取出现次数最多的前10个词，只花了18秒。

再来试个140万的词库，用时不到2分半：

补充

另有一示例脚本，也是提取高权重词的，貌似比上面的脚本更准确，代码如下：

import sys
sys.path.append('../')

import jieba
import jieba.analyse
from optparse import OptionParser

USAGE = "usage:    python extract_tags.py 
下载地址
 -k [top k]"

parser = OptionParser(USAGE)
parser.add_option("-k", dest="topK")
opt, args = parser.parse_args()


if len(args) < 1:
    print(USAGE)
    sys.exit(1)

file_name = args[0]

if opt.topK is None:
    topK = 10
else:
    topK = int(opt.topK)

content = open(file_name, 'rb').read()

tags = jieba.analyse.extract_tags(content, topK=topK)

print("\n".join(tags))

复制代码另存为extract_tags.py，使用方式为在cygwin下面输入python extract_tags.py yttlj.txt -k 20，yttlj.txt是《倚天屠龙记》这部小说，统计里面出现次数最多的词，取前20名，结果如下：

如果用一开始给的那个代码，将得到如下结果，可以看到，标点符号和停止词（stop words）都分出来，所以感觉还是上面那个结果更靠谱一些。