美文网首页机器学习与深度学习
解决jieba分词 load_userdict 加载自定义词库太

解决jieba分词 load_userdict 加载自定义词库太

作者: 9b9f7192095b | 来源:发表于2018-12-24 17:57 被阅读0次

    @(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:
      1. 加载结巴自身的默认词库
      2. 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

    加入了 "区块链 3 n"

    enter image description here enter image description here

    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

    相关文章

      网友评论

        本文标题:解决jieba分词 load_userdict 加载自定义词库太

        本文链接:https://www.haomeiwen.com/subject/smozkqtx.html