用几十行代码实现python中英文分词

原文标题：用几十行代码实现python中英文分词

说到分词大家肯定一般认为是很高深的技术，但是今天作者用短短几十行代码就搞定了，感叹python很强大啊！作者也很强大。不过这个只是正向最大匹配，没有机器学习能力

注意：使用前先要下载搜狗词库

# -*- coding:utf-8 -*-

#写了一个简单的支持中文的正向最大匹配的机械分词,其它不用解释了，就几十行代码
#附：搜狗词库下载地址：http://vdisk.weibo.com/s/7RlE5

import string
__dict = {} 

def load_dict(dict_file='words.dic'):
#加载词库，把词库加载成一个key为首字符，value为相关词的列表的字典

words = [unicode(line, 'utf-8').split() for line in open(dict_file)]

for word_len, word in words:
first_char = word[0]
__dict.setdefault(first_char, [])
__dict[first_char].append(word)
 
#按词的长度倒序排列
for first_char, words in __dict.items():
__dict[first_char] = sorted(words, key=lambda x:len(x), reverse=True)

def __match_ascii(i, input):
#返回连续的英文字母，数字，符号
result = ''
for i in range(i, len(input)):
if not input[i] in string.ascii_letters: break
result += input[i]
return result


def __match_word(first_char, i , input):
#根据当前位置进行分词，ascii的直接读取连续字符，中文的读取词库

if not __dict.has_key(first_char): 
if first_char in string.ascii_letters:
return __match_ascii(i, input)
return first_char

words = __dict[first_char]
for word in words:
if input[i:i+len(word)] == word:
return word

return first_char

def tokenize(input):
#对input进行分词，input必须是uncode编码

if not input: return []

tokens = []
i = 0
while i < len(input):
first_char = input[i] 
matched_word = __match_word(first_char, i, input)
tokens.append(matched_word)
i += len(matched_word)

return tokens


if __name__ == '__main__':
def get_test_text():
import urllib2
url = "http://news.baidu.com/n?cmd=4&class=rolling&pn=1&from=tab&sub=0"
text = urllib2.urlopen(url).read()
return unicode(text, 'gbk')

def load_dict_test():
load_dict()
for first_char, words in __dict.items():
print '%s:%s' % (first_char, ' '.join(words))

def tokenize_test(text):
load_dict()
tokens = tokenize(text)
for token in tokens:
print token

tokenize_test(unicode(u'美丽的花园里有各种各样的小动物'))
tokenize_test(get_test_text())