python实现中文分词FMM算法实例

这篇文章主要介绍了python实现中文分词FMM算法,实例分析了Python基于FMM算法进行中文分词的实现方法,涉及Python针对文件、字符串及正则匹配操作的相关技巧,需要的朋友可以参考下

本文实例讲述了python实现中文分词FMM算法。分享给大家供大家参考。具体分析如下：

FMM算法的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ok，如果没有出现，那么找n-1个...然后继续下去。假如n个词在词典中出现，那么从n+1位置继续找下去，直到句子结束。

1. import re  
2. def PreProcess(sentence,edcode="utf-8"):  
3. sentence = sentence.decode(edcode)  
4. sentence=re.sub(u"[。，,！……!《》<>/"':：？/?、/|“”‘'；]"," ",sentence)  
5. return sentence  
6. def FMM(sentence,diction,result = [],maxwordLength = 4,edcode="utf-8"): 
7. i = 0 
8. sentence = PreProcess(sentence,edcode)  
9. length = len(sentence)  
10. while i < length:  
11. # find the ascii word  
12. tempi=i  
13. tok=sentence[i:i+1]  
14. while re.search("[0-9A-Za-z/-/+#@_/.]{1}",tok)<>None:  
15. i= i+1 
16. tok=sentence[i:i+1]  
17. if i-tempi>0:  
18. result.append(sentence[tempi:i].lower().encode(edcode))  
19. # find chinese word  
20. left = len(sentence[i:])  
21. if left == 1:  
22. """go to 4 step over the FMM""" 
23. """should we add the last one? Yes, if not blank""" 
24. if sentence[i:] <> " ":  
25. result.append(sentence[i:].encode(edcode))  
26. return result  
27. m = min(left,maxwordLength)  
28. for j in xrange(m,0,-1):  
29. leftword = sentence[i:j+i].encode(edcode)  
30. # print leftword.decode(edcode)  
31. if LookUp(leftword,diction):  
32. # find the left word in dictionary  
33. # it's the right one  
34. i = j+i  
35. result.append(leftword)  
36. break 
37. elif j == 1:  
38. """only one word, add into result, if not blank""" 
39. if leftword.decode(edcode) <> " ":  
40. result.append(leftword)  
41. i = i+1 
42. else:  
43. continue 
44. return result  
45. def LookUp(word,dictionary):  
46. if dictionary.has_key(word):  
47. return True 
48. return False 
49. def ConvertGBKtoUTF(sentence):  
50. return sentence.decode('gbk').encode('utf-8') 
51. dictions = {}  
52. dictions["ab"] = 1 
53. dictions["cd"] = 2 
54. dictions["abc"] = 1 
55. dictions["ss"] = 1 
56. dictions[ConvertGBKtoUTF("好的")] = 1 
57. dictions[ConvertGBKtoUTF("真的")] = 1 
58. sentence = "asdfa好的是这样吗vasdiw呀真的daf dasfiw asid是吗？" 
59. s = FMM(ConvertGBKtoUTF(sentence),dictions)  
60. for i in s:  
61. print i.decode("utf-8") 
62. test = open("test.txt","r")  
63. for line in test:  
64. s = FMM(CovertGBKtoUTF(line),dictions)  
65. for i in s:  
66. print i.decode("utf-8") 

运行结果如下：

asdfa

好的

是

这

样

吗

vasdiw

呀

真的

daf

dasfiw

asid

是

吗

?

希望本文所述对大家的Python程序设计有所帮助。