@(Python)
[TOC]
1. 技术背景
import jieba
jieba.load_userdict("100MB.txt")
问题来源 相信大家对上面2句话很熟悉,jieba分词加载自定义词库,但是每次加载自定义词库都会花费大量的时间
100MB的自定义词库大概加载了10多分钟,严重影响了服务上线和调试
,本篇文章主要解决上述问题,并提供一种快速的加载、启动方案
2. 结巴分词加载自身词库方法介绍
Building prefix dict from the default dictionary ...
Loading model from cache
C:\Users\90541\AppData\Local\Temp\jieba.cache
Loading model cost 0.773 seconds.
- 首先来看看jieba分词每次启动时,做了件什么事情,它做了2件事情:
- 加载结巴自身的默认词库
- 将默认词库模型 加载到本机缓存,之后每次都从本地缓存中去加载默认词库
缓存文件: jieba.cache
其实看到这里,目标很明确了. 修改结巴的默认词库,将我们的自定义词库提前导入进去,然后加载到缓存就行了
结巴默认词库位置: {basepath}\Lib\site-packages\jieba\dict.txt
3. 修改jieba默认词库
-
打开一下dict.txt 文件看一下是什么东西
enter image description here
jieba 默认有349046个词,然后每行的含义是
词 词频 词性
,如果你新加的词汇不知道该怎么设置的话,可以写成词 3 n
def run():
# 将自定义词库中的词 按规范写入到 dict.txt 中
4. 清除 jieba.cache缓存,重启jieba
修改完 dict.txt文件还没结束哦,需要删除jieba的本地缓存文件
jieba.cache
,然后删除缓存,重启jieba程序。
5.效果展示
**让我们来看一下这波操作的可行性 **
5.1 没修改词库前
In [1]:
import jieba
[ word for word in jieba.cut("我想知道区块链是什么") ]
Out[1]:
['我', '想', '知道', '区块', '链是', '什么']
5.2 修改词库后
enter image description here enter image description here加入了 "区块链 3 n"
6. 结论
修改完jieba默认词库,就不需要再使用 jieba.load_userdict 方法去加载自定义词库了。省去了大笔自定义词库加载的时间成本。
如果文章帮助了你,请点赞哦~ 有其它jieba相关的问题,也可以咨询本人
微信:w63594021
网友评论