如何利用pynlpir进行中文分词并保留段落信息

一、引言

nlpir是由张华平博士开发的中文自然处理工具，可以对中文文本进行分词、聚类分析等，它既有在线的中文数据大数据语义智能分析平台，也有相关的python包pynlpir，其github的地址是：

Pynlpir在Github上的地址

这个包的使用是免费的，但是授权文件需要每个月更新一次。

二、利用pynlpir进行分词

1.安装模块

首先要安装这个模块，安装方法是在cmd命令行下输入：

pip install pynlpir

2. 更新授权

安装后还可能需要更新一下授权

pynlpir update

3. 开始批量分词

1）基础分词

import pynlpir
pynlpir.open()
s = '欢迎科研人员、技术工程师、企事业单位与个人参与NLPIR平台的建设工作。'
segs = pynlpir.segment(s)
for seg in segs:
    print(seg)

显示结果：

基本使用方法

2）批量分词

主要是采用os模块批量读取当前目录下的txt文件，然后分别按段落读取、分词、标注。词与标注信息之前中【】来连接，两个词之间用【|】，段落之间加入换行符号，然后写入到【seg】开头的txt文件里。这里，我们采用的是英文的标注信息，每个文件标注完成后会生成新的文件，最终代码如下：

import pynlpir
import os

# 初始化分词库
pynlpir.open ()

# 进行分词操作
txts = [file for file in os.listdir(".") if file.endswith(".txt")]

for txt in txts:
    with open(txt,"r",encoding="utf-8") as f:
        lines = [line.strip() for line in f.readlines()]
        for line in lines:
            segments = pynlpir.segment (line, pos_tagging=True,pos_english=True)
            with open("segged_"+os.path.basename(txt),"a+",encoding="utf-8") as fi:
                for segment in segments:
                    try:
                        fi.write(str(segment[0])+"_"+str(segment[1])+"|")
                    except Exception as exc:
                        print(exc,segment)
                fi.write("\n")

# 关闭分词库
pynlpir.close ()

4. 分词效果展示

经过分词和标注后的文件截图展示如下，可以看到很好地保留了段落的信息，这为后面进行词性统计也做好了准备。后期，可以根据nlpir的标注集，对于所有文本中的词性进行统计分析。

三、学后反思

1. pynlpir这个包分词速度还是很快的，但是使用起来有一定的难度。更新license时可以去github上下载，或者本地使用代理下载。
2. 导入自定义字典时，注意字典编码要转化为ANSI编码，否则可能会报错。
3. 批量分词时，注意文件的路径最好不要有中文，否则也可能无法顺利分词。
4. 如果是在Linux上更新Lincense的话，为了保险起见，可以先去github上下载，再进行上传，以确保万无一失。