[python] 使用Jieba工具中文分词及文本聚类概念

声明：由于担心CSDN博客丢失，在博客园简单对其进行备份，以后两个地方都会写文章的~感谢CSDN和博客园提供的平台。
        前面讲述了很多关于Python爬取本体Ontology、消息盒InfoBox、虎扑图片等例子，同时讲述了VSM向量空间模型的应用。但是由于InfoBox没有前后文和语义概念，所以效果不是很好，这篇文章主要是爬取百度5A景区摘要信息，再利用Jieba分词工具进行中文分词，最后提出文本聚类算法的一些概念知识。
        相关文章：
        [Python爬虫] Selenium获取百度百科旅游景点的InfoBox消息盒
        [python爬虫] Selenium定向爬取海量精美图片及搜索引擎杂谈
        Python简单实现基于VSM的余弦相似度计算
        基于VSM的命名实体识别、歧义消解和指代消解
        [python爬虫] Selenium定向爬取PubMed生物医学摘要信息

一. Selenium爬取百度百科摘要

简单给出Selenium爬取百度百科5A级景区的代码：

 # coding=utf-8
 """
 Created on 2015-12-10 @author: Eastmount
 """  

 import time
 import re
 import os
 import sys
 import codecs
 import shutil
 from selenium import webdriver
 from selenium.webdriver.common.keys import Keys
 import selenium.webdriver.support.ui as ui
 from selenium.webdriver.common.action_chains import ActionChains  

 #Open PhantomJS
 driver = webdriver.PhantomJS(executable_path="G:\phantomjs-1.9.1-windows\phantomjs.exe")
 #driver = webdriver.Firefox()
 wait = ui.WebDriverWait(driver,10)

 #Get the Content of 5A tourist spots
 def getInfobox(entityName, fileName):
     try:
         #create paths and txt files
         print u'文件名称: ', fileName
         info = codecs.open(fileName, 'w', 'utf-8')  

         #locate input  notice: 1.visit url by unicode 2.write files
         #Error: Message: Element not found in the cache -
         #       Perhaps the page has changed since it was looked up
         #解决方法: 使用Selenium和Phantomjs
         print u'实体名称: ', entityName.rstrip('\n')
         driver.get("http://baike.baidu.com/")
         elem_inp = driver.find_element_by_xpath("//form[@id='searchForm']/input")
         elem_inp.send_keys(entityName)
         elem_inp.send_keys(Keys.RETURN)
         info.write(entityName.rstrip('\n')+'\r\n')  #codecs不支持'\n'换行  

         #load content 摘要
         elem_value = driver.find_elements_by_xpath("//div[@class='lemma-summary']/div")
         for value in elem_value:
             print value.text
             info.writelines(value.text + '\r\n')

         #爬取文本信息
         #爬取所有段落<div class='para'>的内容 class='para-title'为标题 [省略]
         time.sleep(2)  

     except Exception,e:    #'utf8' codec can't decode byte
         print "Error: ",e
     finally:
         print '\n'
         info.close() 

 #Main function
 def main():
     #By function get information
     path = "BaiduSpider\\"
     if os.path.isdir(path):
         shutil.rmtree(path, True)
     os.makedirs(path)
     source = open("Tourist_spots_5A_BD.txt", 'r')
     num = 1
     for entityName in source:
         entityName = unicode(entityName, "utf-8")
         if u'故宫' in entityName:   #else add a '?'
             entityName = u'北京故宫'
         name = "%04d" % num
         fileName = path + str(name) + ".txt"
         getInfobox(entityName, fileName)
         num = num + 1
     print 'End Read Files!'
     source.close()
     driver.close()

 if __name__ == '__main__':
     main()  

内容如下图所示，共204个国家5A级景点的摘要信息。这里就不再叙述：

二. Jieba中文分词

Python中分分词工具很多，包括盘古分词、Yaha分词、Jieba分词等。
        中文分词库：http://www.oschina.net/project/tag/264/segment
        其中它们的基本用法都相差不大，但是Yaha分词不能处理如“黄琉璃瓦顶”或“圜丘坛”等词，所以使用了结巴分词。

1.安装及入门介绍
        参考地址：http://www.oschina.net/p/jieba
        下载地址：https://pypi.python.org/pypi/jieba/
        Python 2.0我推荐使用"pip install jieba"或"easy_install jieba"全自动安装，再通过import jieba来引用（第一次import时需要构建Trie树，需要等待几秒时间）。
        安装时如果出现错误"unknown encoding: cp65001"，输入"chcp 936"将编码方式由utf-8变为简体中文gbk。

结巴中文分词涉及到的算法包括：
        (1) 基于Trie树结构实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图（DAG)；
        (2) 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合；
        (3) 对于未登录词，采用了基于汉字成词能力的HMM模型，使用了Viterbi算法。

结巴中文分词支持的三种分词模式包括：
        (1) 精确模式：试图将句子最精确地切开，适合文本分析；
        (2) 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，但是不能解决歧义问题；
        (3) 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。
        同时结巴分词支持繁体分词和自定义字典方法。

 #encoding=utf-8
 import jieba

 #全模式
 text = "我来到北京清华大学"
 seg_list = jieba.cut(text, cut_all=True)
 print u"[全模式]: ", "/ ".join(seg_list) 

 #精确模式
 seg_list = jieba.cut(text, cut_all=False)
 print u"[精确模式]: ", "/ ".join(seg_list)

 #默认是精确模式
 seg_list = jieba.cut(text)
 print u"[默认模式]: ", "/ ".join(seg_list) 

 #新词识别 “杭研”并没有在词典中,但是也被Viterbi算法识别出来了
 seg_list = jieba.cut("他来到了网易杭研大厦")
 print u"[新词识别]: ", "/ ".join(seg_list)

 #搜索引擎模式
 seg_list = jieba.cut_for_search(text)
 print u"[搜索引擎模式]: ", "/ ".join(seg_list)

输出如下图所示：

代码中函数简单介绍如下：
        jieba.cut()：第一个参数为需要分词的字符串，第二个cut_all控制是否为全模式。
        jieba.cut_for_search()：仅一个参数，为分词的字符串，该方法适合用于搜索引擎构造倒排索引的分词，粒度比较细。
        其中待分词的字符串支持gbk\utf-8\unicode格式。返回的结果是一个可迭代的generator，可使用for循环来获取分词后的每个词语，更推荐使用转换为list列表。

2.添加自定义词典
        由于"国家5A级景区"存在很多旅游相关的专有名词，举个例子：
        [输入文本] 故宫的著名景点包括乾清宫、太和殿和黄琉璃瓦等
        [精确模式] 故宫/的/著名景点/包括/乾/清宫/、/太和殿/和/黄/琉璃瓦/等
        [全 模 式] 故宫/的/著名/著名景点/景点/包括/乾/清宫/太和/太和殿/和/黄/琉璃/琉璃瓦/等
        显然，专有名词"乾清宫"、"太和殿"、"黄琉璃瓦"(假设为一个文物)可能因分词而分开，这也是很多分词工具的又一个缺陷。但是Jieba分词支持开发者使用自定定义的词典，以便包含jieba词库里没有的词语。虽然结巴有新词识别能力，但自行添加新词可以保证更高的正确率，尤其是专有名词。
        基本用法：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，ns为地点名词），用空格隔开。
        强烈推荐一篇词性标注文章，链接如下：
        http://www.hankcs.com/nlp/part-of-speech-tagging.html

 #encoding=utf-8
 import jieba

 #导入自定义词典
 jieba.load_userdict("dict.txt")

 #全模式
 text = "故宫的著名景点包括乾清宫、太和殿和黄琉璃瓦等"
 seg_list = jieba.cut(text, cut_all=True)
 print u"[全模式]: ", "/ ".join(seg_list) 

 #精确模式
 seg_list = jieba.cut(text, cut_all=False)
 print u"[精确模式]: ", "/ ".join(seg_list)

 #搜索引擎模式
 seg_list = jieba.cut_for_search(text)
 print u"[搜索引擎模式]: ", "/ ".join(seg_list)

输出结果如下所示，其中专有名词连在一起，即"乾清宫"和"黄琉璃瓦"。

3.关键词提取
        在构建VSM向量空间模型过程或者把文本转换成数学形式计算中，你需要运用到关键词提取的技术，这里就再补充该内容，而其他的如词性标注、并行分词、获取词位置和搜索引擎就不再叙述了。
        基本方法：jieba.analyse.extract_tags(sentence, topK) 
        需要先import jieba.analyse，其中sentence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。

 #encoding=utf-8
 import jieba
 import jieba.analyse

 #导入自定义词典
 jieba.load_userdict("dict.txt")

 #精确模式
 text = "故宫的著名景点包括乾清宫、太和殿和午门等。其中乾清宫非常精美，午门是紫禁城的正门，午门居中向阳。"
 seg_list = jieba.cut(text, cut_all=False)
 print u"分词结果:"
 print "/".join(seg_list)

 #获取关键词
 tags = jieba.analyse.extract_tags(text, topK=3)
 print u"关键词:"
 print " ".join(tags)

输出结果如下，其中"午门"出现3次、"乾清宫"出现2次、"著名景点"出现1次，按照顺序输出提取的关键词。如果topK=5，则输出："午门 乾清宫 著名景点 太和殿 向阳"。

>>>
分词结果:
故宫/的/著名景点/包括/乾清宫/、/太和殿/和/午门/等/。/其中/乾清宫/非常/精美/，/午门/是/紫禁城/的/正门/，/午门/居中/向阳/。
关键词:
午门 乾清宫 著名景点
>>> 

4.对百度百科获取摘要分词
        从BaiduSpider文件中读取0001.txt~0204.txt文件，分别进行分词处理再保存。

 #encoding=utf-8
 import sys
 import re
 import codecs
 import os
 import shutil
 import jieba
 import jieba.analyse

 #导入自定义词典
 jieba.load_userdict("dict_baidu.txt")

 #Read file and cut
 def read_file_cut():
     #create path
     path = "BaiduSpider\\"
     respath = "BaiduSpider_Result\\"
     if os.path.isdir(respath):
         shutil.rmtree(respath, True)
     os.makedirs(respath)

     num = 1
     while num<=204:
         name = "%04d" % num
         fileName = path + str(name) + ".txt"
         resName = respath + str(name) + ".txt"
         source = open(fileName, 'r')
         if os.path.exists(resName):
             os.remove(resName)
         result = codecs.open(resName, 'w', 'utf-8')
         line = source.readline()
         line = line.rstrip('\n')

         while line!="":
             line = unicode(line, "utf-8")
             seglist = jieba.cut(line,cut_all=False)  #精确模式
             output = ' '.join(list(seglist))         #空格拼接
             print output
             result.write(output + '\r\n')
             line = source.readline()
         else:
             print 'End file: ' + str(num)
             source.close()
             result.close()
         num = num + 1
     else:
         print 'End All'

 #Run function
 if __name__ == '__main__':
     read_file_cut()

运行结果如下图所示：

5.去除停用词
        在信息检索中，为节省存储空间和提高搜索效率，在处理自然语言数据（或文本）之前或之后会自动过滤掉某些字或词，这些字或词即被称为Stop Words（停用词）。这些停用词都是人工输入、非自动化生成的，生成后的停用词会形成一个停用词表。但是，并没有一个明确的停用词表能够适用于所有的工具。甚至有一些工具是明确地避免使用停用词来支持短语搜索的。[参考百度百科]

 #encoding=utf-8
 import jieba

 #去除停用词
 stopwords = {}.fromkeys(['的', '包括', '等', '是'])
 text = "故宫的著名景点包括乾清宫、太和殿和午门等。其中乾清宫非常精美，午门是紫禁城的正门。"
 segs = jieba.cut(text, cut_all=False)
 final = ''
 for seg in segs:
     seg = seg.encode('utf-8')
     if seg not in stopwords:
             final += seg
 print final
 #输出:故宫著名景点乾清宫、太和殿和午门。其中乾清宫非常精美，午门紫禁城正门。

 seg_list = jieba.cut(final, cut_all=False)
 print "/ ".join(seg_list)
 #输出:故宫/ 著名景点/ 乾清宫/ 、/ 太和殿/ 和/ 午门/ 。/ 其中/ 乾清宫/ 非常/ 精美/ ，/ 午门/ 紫禁城/ 正门/ 。

三. 基于VSM的文本聚类算法

这部分主要参考2008年上海交通大学姚清坛等《基于向量空间模型的文本聚类算法》的论文，因为我的实体对齐使用InfoBox存在很多问题，发现对齐中会用到文本内容及聚类算法，所以简单讲述下文章一些知识。

 

        文本聚类的主要依据聚类假设是：同类的文档相似度较大，而非同类文档相似度较小。同时使用无监督学习方法，聚类不需要训练过程以及不需要预先对文档手工标注类别，因此具有较高的灵活性和自动化处理能力。主要分为以下部分：
        (1) 预处理常用方法
        文本信息预处理（词性标注、语义标注），构建统计词典，对文本进行词条切分，完成文本信息的分词过程。
        (2) 文本信息的特征表示
        采用方法包括布尔逻辑型、概率型、混合型和向量空间模型。其中向量空间模型VSM（Vector Space Model）是将文档映射成向量的形式，(T1, T2, ..., Tn)表示文档词条，(W1, W2, ..., Wn)文档词条对应权重。建立文本特征主要用特征项或词条来表示目标文本信息，构造评价函数来表示词条权重，尽最大限度区别不同的文档。
        (3) 文本信息特征缩减
        VSM文档特征向量维数众多。因此，在文本进行聚类之前，应用文本信息特征集进行缩减，针对每个特征词的权重排序，选取最佳特征，包括TF-IDF。推荐向量稀疏表示方法，提升聚类的效果，其中(D1, D2, ..., Dn)表示权重不为0的特征词条。
        (4) 文本聚类
        文本内容表示成数学课分析形势后，接下来就是在此数学基础上进行文本聚类。包括基于概率方法和基于距离方法。其中基于概率是利用贝叶斯概率理论，概率分布方式；基于聚类是特征向量表示文档（文档看成一个点），通过计算点之间的距离，包括层次聚类法和平面划分法。

后面我可能也会写具体的Python聚类算法，VSM计算相似度我前面已经讲过。同时，他的实验数据是搜狐中心的10个大类，包括汽车、财经、IT、体育等，而我的数据都是旅游，如何进一步聚类划分，如山川、河流、博物馆等等，这是另一个难点。
        最后还是那句话：不论如何，希望文章对你有所帮助，如果文章中有错误或不足之处，还请海涵~写文不易，且看且分析。加油！！！
      （By:Eastmount 2015-12-11 深夜3点   http://blog.csdn.net/eastmount/）