当前位置： 首页 > article >正文

用python简单集成一个分词工具

article 2024/11/23 10:34:53

本部分记录如何利用Python进行分词工具集成，集成工具可以实现运行无环境要求，同时也更方便。
该文章主要是记录，知识点不是特别多，欢迎访问个人博客：https://blog.jiumoz.top/archives/fen-ci-gong-ju-ji-cheng

成品展示

软件链接：https://cloud.189.cn/web/share?code=BN3yYvIJfUfq（访问码：vvw4）

大家要是想体验的话，就下载了试试吧，有点大，主要是pyqt5太大了，好几百兆…

用的是天翼云，百度云盘有众所周知的原因，阿里云盘不能分享压缩包…

  • 软件包含分词、词性标注、自定义停用词表、文件导出等功能，但是也依旧不够智能，比如不能自己设置很多参数、文件保存的格式…

image-20220501105723685

工具介绍

都是python工具包，pip安装就行。

  • GUI界面主要构成是PyQt5
  • 核心功能是分词是jieba
  • 打包有很多方式，这里使用两种方式，一种是利用cx_Freeze；另一种是pyinstaller；

开始简单的试验

首先实现简单的手工输入语句并完成分词与输出

主要的代码编写

  • 借Python实现简单GUI程序中相关的内容，我们直接修改相关内容确定最后的窗体页面：
image-20220501141311160
  • 关键代码，借jieba分词中的内容，我们导入jieba包后直接集成，主要函数代码如下：
def cut(self):
    self.equal.clear()
    print(self.first.toPlainText())
    text = self.first.toPlainText()
    words = jieba.lcut(text)
    print(words)
    word = ""
    for i in words:
        word = word+" "+i
        self.equal.append(word)
  • 测试效果：
image-20220501141824470
  • 完整代码：
# -*- coding: utf-8 -*-
# @Time : 2022/5/1 11:52
# @Author : MinChess
# @File : test2.py
# @Software: PyCharm
import sys
from PyQt5 import QtCore, QtGui, QtWidgets
from PyQt5.QtWidgets import *
from PyQt5.QtGui import *
from PyQt5.QtCore import *
import jieba


class test(QWidget):

    def __init__(self):
        super().__init__()
        self.initUI()

    def initUI(self):
        self.setWindowTitle("test")
        self.show()
        self.resize(1200,900)
        self.setMinimumSize(1200,900)


        alllayout = QVBoxLayout()
        vlayout = QHBoxLayout()
        vlayout2 = QHBoxLayout()

        self.addbtn = QPushButton("开始处理")
        self.addbtn.setFixedHeight(66)
        self.addbtn.clicked.connect(self.cut)
        self.addbtn.setStyleSheet("font-size:36px;")


        self.first = QTextEdit()

        self.equal = QTextEdit()
        self.equal.setReadOnly(True)


        vlayout.addWidget(self.addbtn)
        vlayout2.addWidget(self.first)
        vlayout2.addWidget(self.equal)

        alllayout.addLayout(vlayout)
        alllayout.addLayout(vlayout2)

        self.setLayout(alllayout)

    def cut(self):
        self.equal.clear()
        print(self.first.toPlainText())
        text = self.first.toPlainText()
        words = jieba.lcut(text)
        print(words)
        word = ""
        for i in words:
            word = word+" "+i
        self.equal.append(word)


if __name__ == '__main__':
    app = QApplication(sys.argv)
    ex = test()
    ex.show()
    sys.exit(app.exec_())

集成为exe

这里主要介绍cx_Freeze集成的方法

  • pip install cx_freeze安装打包的库
  • 编写配置文件
# -*- coding: utf-8 -*-
# @Time : 2021/12/1 20:44
# @Author : MinChess
# @File : setup.py
# @Software: PyCharm 
import sys
from cx_Freeze import setup, Executable
build_exe_options = {"packages": ["os"]}
base = None
if sys.platform == "win32":
  base = "Win32GUI"
setup(name="九陌斋分词",
      version="0.1",
      description="My GUI application!",
      options={"build_exe": build_exe_options},
      executables=[Executable("xxx.py", base=base)])
  • 到该目录下通过python setup.py build运行该程序即可完成集成

完整分词工具的编写

  • 首先得确定方案与路线
  1. 首先得有GUI界面：得有按钮 得有显示字符串的框…
  2. 核心代码：有了界面就得思考如何实现了，比如如何获取文件 如何输出 如何执行分词…
  3. 事件通信：事件通信就是思考如何将事件绑定起来，也就是点击对应按钮执行我们想要的功能
  4. 测试与集成：写完代码就需要不断的测试，直到没有bug再集成成为EXE文件
  • 这里不做详细的代码拆分介绍，贴出完整代码如下，资料包点击链接即可获取

代码包（主程序、集成程序、图标文件、停用词表）：https://cloud.189.cn/web/share?code=ZBZvqeBBz6Jb（访问码：0wri）

# -*- coding: utf-8 -*-
# @Time : 2021/12/1 20:44
# @Author : MinChess
# @File : jieba_cut.py
# @Software: PyCharm 
import sys
from PyQt5 import QtCore, QtGui, QtWidgets
from PyQt5.QtWidgets import *
from PyQt5.QtGui import *
from PyQt5.QtCore import *
import re
import jieba
import jieba.posseg
from collections import Counter


class Jieba_Main_Window(QWidget):
    sig = pyqtSignal()

    def __init__(self):
        super().__init__()
        self.initUI()
        sys.stdout = Stream(newText=self.onUpdateText)
        self.timer = QTimer(self)
        self.timer.timeout.connect(self.__openByIODevice)

    def onUpdateText(self, text):
        cursor = self.info_content.textCursor()
        cursor.movePosition(QTextCursor.End)
        cursor.insertText(text)
        self.info_content.setTextCursor(cursor)
        self.info_content.ensureCursorVisible()

    def initUI(self):
        self.setWindowTitle('九陌斋-Jieba分词')
        self.setWindowIcon(QIcon('favicon.ico'))
        self.show()
        self.resize(1200, 900)  # 宽×高
        self.setMinimumSize(1200, 900)

        alllayout = QHBoxLayout()
        vlistsum = QHBoxLayout()
        vlistlayout = QVBoxLayout()
        v00layout = QVBoxLayout()
        v01layout = QVBoxLayout()
        v10layout = QVBoxLayout()
        v11layout = QVBoxLayout()
        v0layout = QVBoxLayout()
        v1layout = QVBoxLayout()

        self.choose_file = QPushButton("文件选择")
        self.choose_file.setStyleSheet('''QPushButton{font-size:18px;color:white;font-weight:bold;}QPushButton{background:#2ca9e1;border-radius:5px;}QPushButton:hover{background:#84a2d4;}''')
        self.choose_file.setFixedHeight(32)
        self.choose_file.clicked.connect(self.on_actQFile_Open_triggered)
        self.choose_save = QPushButton("文件保存")
        self.choose_save.clicked.connect(self.QFile_Save)
        self.choose_save.setStyleSheet(
            '''QPushButton{font-size:18px;color:white;font-weight:bold;}QPushButton{background:#2ca9e1;border-radius:5px;}QPushButton:hover{background:#84a2d4;}''')
        self.choose_save.setFixedHeight(32)
        # self.choose_save.clicked.connect(self.QFile_Save)
        self.start_clean = QPushButton("开始处理")
        self.start_clean.clicked.connect(self.jieba_cut)
        self.start_clean.setStyleSheet('''QPushButton{font-size:18px;color:white;font-weight:bold;}QPushButton{background:#2ca9e1;border-radius:5px;}QPushButton:hover{background:#84a2d4;}''')
        self.start_clean.setFixedHeight(32)
        self.cut_word_list = QPushButton("默认列表")
        self.cut_word_list.clicked.connect(self.default_cut_list)
        self.cut_word_list.setStyleSheet(
            '''QPushButton{font-size:18px;color:white;font-weight:bold;}QPushButton{background:#2ca9e1;border-radius:5px;}QPushButton:hover{background:#84a2d4;}''')
        self.cut_word_list.setFixedHeight(32)
        self.default_clean = QPushButton("帮助文档")
        self.default_clean.setStyleSheet('''QPushButton{font-size:18px;color:white;font-weight:bold;}QPushButton{background:#2ca9e1;border-radius:5px;}QPushButton:hover{background:#84a2d4;}''')
        self.default_clean.setFixedHeight(32)
        self.default_clean.clicked.connect(self.help_info)
        self.file_name = QLabel('文件名称：')
        self.file_name_path = QLineEdit()
        self.lab_rules = QLabel('文件内容:')
        self.rules_content = QTextEdit()
        self.stop_words_rules = QLabel('停用词列表:')
        self.stop_words_content = QTextEdit()


        self.file_name_path.setReadOnly(True)
        self.file_content_name = QLabel('分词结果：')
        self.file_content = QTextEdit()
        self.save_file_fenci = QPushButton("分词结果保存")
        self.save_file_fenci.clicked.connect(self.on_actQFile_Save_triggered)
        self.save_file_fenci.setStyleSheet(
            '''QPushButton{font-size:18px;color:white;font-weight:bold;}QPushButton{background:#2ca9e1;border-radius:5px;}QPushButton:hover{background:#84a2d4;}''')
        self.save_file_fenci.setFixedHeight(36)

        self.lab_info = QLabel('信息输出(输出系统提示信息)：')
        self.info_content = QTextEdit()
        self.info_content.setReadOnly(True)
        self.info_content.setStyleSheet("font-size:18px;color:#003399")

        self.lab_finish = QLabel('词性标注结果(不建议使用文件保存，各方面问题还在解决中)：')
        self.finishi_content = QTextEdit()
        self.save_file = QPushButton("词性标注结果保存")
        self.save_file.clicked.connect(self.on_actQFile_Save_triggered2)
        self.save_file.setStyleSheet('''QPushButton{font-size:18px;color:white;font-weight:bold;}QPushButton{background:#2ca9e1;border-radius:5px;}QPushButton:hover{background:#84a2d4;}''')
        self.save_file.setFixedHeight(36)

        v00layout.addWidget(self.choose_file)
        v00layout.addWidget(self.choose_save)
        v00layout.addWidget(self.start_clean)
        v00layout.addWidget(self.cut_word_list)
        v00layout.addWidget(self.default_clean)
        v00layout.addWidget(self.file_name)
        v00layout.addWidget(self.file_name_path)
        v00layout.addWidget(self.lab_rules)
        v00layout.addWidget(self.rules_content)

        vlistlayout.addWidget(self.stop_words_rules)
        vlistlayout.addWidget(self.stop_words_content)

        vlistsum.addLayout(v00layout)
        vlistsum.addLayout(vlistlayout)
        vlistsum.setStretchFactor(v00layout,5)
        vlistsum.setStretchFactor(vlistlayout,3)


        v01layout.addWidget(self.file_content_name)
        v01layout.addWidget(self.file_content)
        v01layout.addWidget(self.save_file_fenci)

        v10layout.addWidget(self.lab_info)
        v10layout.addWidget(self.info_content)

        v11layout.addWidget(self.lab_finish)
        v11layout.addWidget(self.finishi_content)
        v11layout.addWidget(self.save_file)

        v0layout.addLayout(vlistsum)
        v0layout.addLayout(v10layout)
        v0layout.setStretchFactor(vlistsum,7)
        v0layout.setStretchFactor(v10layout,3)

        v1layout.addLayout(v01layout)
        v1layout.addLayout(v11layout)

        alllayout.addLayout(v0layout)
        alllayout.addLayout(v1layout)
        alllayout.setStretchFactor(v0layout,4)
        alllayout.setStretchFactor(v1layout,3)

        self.setLayout(alllayout)

    def __openByIODevice(self, fileName):

        fileDevice = QFile(fileName)
        if not fileDevice.exists():
            return False
        if not fileDevice.open(QIODevice.ReadOnly | QIODevice.Text):
            return False
        try:
            self.rules_content.clear()
            while not fileDevice.atEnd():
                qtBytes = fileDevice.readLine()  # 返回QByteArray类型
                pyBytes = bytes(qtBytes.data())  # QByteArray转换为bytes类型
                lineStr = pyBytes.decode("utf-8")  # bytes转换为str型
                lineStr = lineStr.strip()  # 去除结尾增加的空行
                self.rules_content.append(lineStr)
        finally:
            fileDevice.close()

        return True

    def on_actQFile_Open_triggered(self):
        curPath = QDir.currentPath()
        title = "打开一个文件"
        filt = "文本文件(*.txt);;csv文件(*.csv);;程序文件(*.h *.py);;所有文件(*.*)"  # 文件过滤器
        fileName, flt = QFileDialog.getOpenFileName(self, title, curPath, filt)
        if (fileName == ""):
            return
        if self.__openByIODevice(fileName):
            self.file_name_path.setText(fileName)
            print("文件已打开！")
        else:
            print("错误", "打开文件失败")

    def __saveByIODevice(self,fileName):  ##用QFile保存文件
        fileDevice = QFile(fileName)
        if not fileDevice.open(QIODevice.WriteOnly | QIODevice.Text):
            return False
        try:
            text = self.rules_content.toPlainText()  # 返回str类型
            strBytes = text.encode("utf-8")  # str转换为bytes类型
            fileDevice.write(strBytes)  # 写入文件
        finally:
            fileDevice.close()
        return True

    def saveByIODevice(self,fileName):  ##用QFile保存文件
        fileDevice = QFile(fileName)
        if not fileDevice.open(QIODevice.WriteOnly | QIODevice.Text):
            return False
        try:
            text = self.file_content.toPlainText()  # 返回str类型
            strBytes = text.encode("utf-8")  # str转换为bytes类型
            fileDevice.write(strBytes)  # 写入文件
        finally:
            fileDevice.close()
        return True

    def on_actQFile_Save_triggered(self):
        curPath = QDir.currentPath()  # 获取系统当前目录
        title = "另存为一个文件"  # 对话框标题
        filt = "文本文件(*.txt);;Python程序(*.py);;文本文件(*.xlsx);;csv文件(*.csv);;所有文件(*.*)"  # 文件过滤器
        fileName, flt = QFileDialog.getSaveFileName(self, title, curPath, filt)
        if (fileName == ""):
            return

        if self.saveByIODevice(fileName):
            print("文件保存成功：",fileName)
        else:
            print("错误", "保存文件失败")
            # QMessageBox.critical(self, "错误", "保存文件失败")

    def saveByIODevice2(self,fileName):  ##用QFile保存文件
        fileDevice = QFile(fileName)
        if not fileDevice.open(QIODevice.WriteOnly | QIODevice.Text):
            return False
        try:
            text = self.finishi_content.toPlainText()  # 返回str类型
            strBytes = text.encode("utf-8")  # str转换为bytes类型
            fileDevice.write(strBytes)  # 写入文件
        finally:
            fileDevice.close()
        return True

    def on_actQFile_Save_triggered2(self):
        curPath = QDir.currentPath()  # 获取系统当前目录
        title = "另存为一个文件"  # 对话框标题
        filt = "文本文件(*.txt);;Python程序(*.py);;文本文件(*.xlsx);;csv文件(*.csv);;所有文件(*.*)"  # 文件过滤器
        fileName, flt = QFileDialog.getSaveFileName(self, title, curPath, filt)
        if (fileName == ""):
            return

        if self.saveByIODevice2(fileName):
            print("文件保存成功：",fileName)
        else:
            print("错误", "保存文件失败")
            # QMessageBox.critical(self, "错误", "保存文件失败")

    def QFile_Save(self):
        fileName = self.file_name_path.text()
        if fileName == "":
            print("你没有打开任何文件......")
        if self.__saveByIODevice(fileName):
            print("保存成功！\n文件路径：",fileName)
        else:
            print("保存文件失败")

    def help_info(self):
        QMessageBox.about(self, "提示信息：", "分词模块主要利用jieba分词工具对文本数据进行分词处理，同时还加入了去停用词功能，即去掉一些无意义的词条，支持自定义停用词词表！这一个大模块的功能非常重要，因为词频统计、LDA主题模型等多个方面都是基于词语展开的！同时分词功能中还加入了多个模式的分词。")


    def jieba_cut(self):
        self.finishi_content.clear()
        self.file_content.clear()
        cut_words = ""
        cut_words2 = ""
        all_words = ""
        cut_re = ""
        line = self.rules_content.toPlainText()
        cut_word_list = self.stop_words_content.toPlainText().split()
        cut = set(cut_word_list)
        if line == "":
            print("待处理文件为空！！！")
        elif self.stop_words_content.toPlainText() == "":
            print("请设置停用词列表，可点击默认列表使用系统列表！")
        else:
            line.strip('\n')
            fir_result = jieba.cut(line)
            for word in fir_result:
                if word not in cut:
                    if word !='\t' and word != " ":
                        cut_re += word
                        cut_re += " "
            seg_list = jieba.cut(line, cut_all=True)
            words = jieba.posseg.cut(str(cut_re).replace(" ",""))
            ccc = jieba.cut(str(cut_re).replace(" ",""))
            all_words += (" ".join(ccc))
            for word, flag in words:
                loop = QEventLoop()
                QTimer.singleShot(1, loop.quit)
                loop.exec_()
                self.finishi_content.append(word+','+flag)
            print(all_words)
        self.file_content.append(str(cut_re))


        # for i in all_words:
            # print(i)

        # 词频统计
        c = Counter()
        for x in all_words.split(" "):
            if len(x) >= 1 and x != '\r\n':
                c[x] += 1

        # 输出词频最高的前N个词
        # print('\n词频统计结果：')
        for (k, v) in c.most_common(60):
            loop = QEventLoop()
            QTimer.singleShot(100, loop.quit)
            loop.exec_()
            # print("%s:%d" % (k, v))

    def default_cut_list(self):
        filename = "NLPIR_stopwords.txt"
        pf = open(filename, "r", encoding='UTF-8')
        a = pf.read()
        self.stop_words_content.setText(a)
        self.selected = False


class Stream(QObject):
    newText = pyqtSignal(str)

    def write(self, text):
        self.newText.emit(str(text))

if __name__ == '__main__':
    app = QApplication(sys.argv)
    ex = Jieba_Main_Window()
    sys.exit(app.exec_())

http://www.kler.cn/a/405615.html

相关文章：

  • python文件对象方法
  • 格式化输入输出【专辑优质版】
  • 如何使用Jmeter做性能测试？
  • 第6篇 寻找最大数___ARM C语言程序＜二＞
  • Swift从0开始学习 协议和扩展 day5
  • Spring Boot核心概念：日志管理
  • 基于 DRNN 神经网络整定的 PID 解耦控制
  • Python 使用 Selenuim进行自动化点击入门，谷歌驱动，以百度为例
  • 数据驱动与并行策略：用 JUnit 5 让软件测试更高效
  • 前端面试题大汇总：React 篇
  • 2025杭州国际智能网联新能源汽车展览会
  • Linux 磁盘分区、格式化和挂载
  • DRNN 神经网络的Jacobian 信息辨识
  • Python-flet实现个人视频播放器
  • 太速科技-512-基于ZU19EG的4路100G 8路40G的光纤汇流计算卡
  • 动态规划 详解
  • 基于 springboot +vue 的实践性教学系统
  • 和为 K 的子数组(java)
  • shell循环
  • MinGW 与 MSVC 的区别与联系及相关特性分析
  • 小兔鲜项目总结——项目亮点
  • 神经网络问题之二：梯度爆炸（Gradient Explosion）
  • 双指针算法详解：原理、应用场景及代码示例
  • 基于 ESP-AT （v3.x）固件通过 AT+SYSMFG 指令更新证书设置
  • 深述C++模板类
  • 每天五分钟深度学习：神经网络模型的直观理解