有做过搜索的朋友知道，分词的好坏直接影响我们最终的搜索结果。
在分词的领域，英文分词要简单很多，因为英文语句中都是通过一个个空格来划分的，而我们的中文博大精深，同样的词在不同的语境中所代表的含义千差万别，有时候必须联系上下文才能知道它准确的表达意思，因此中文分词一直是分词领域的一大挑战。
之前介绍过一款北大新开源的分词器，根据作者的测试结果，这是一个准确率和速度都超过 jieba 等其他分词的分词器。
所以我就想来做个简单的测试！于是我想用《三国演义》来做一个测试，提取其中著名人名出现的频率。
首先搜索下三国中的人物名单，
得到人名之后，做成一个人名的列表，之前设置成一个以人物名为键，值为 0 的字典。我只取了曹魏和蜀汉的部分人名，代码如下:
wei = ["许褚","荀攸","贾诩","郭嘉","程昱","戏志","刘晔","蒋济","陈群","华歆","钟繇","满宠","董昭","王朗","崔琰","邓艾","杜畿","田畴","王修","杨修","辛毗", "杨阜", "田豫","王粲","蒯越","张继","于禁","枣祗","曹操","孟德","任峻","陈矫","郗虑","桓玠","丁仪","丁廙","司马朗","韩暨","韦康","邴原","赵俨","娄圭","贾逵", "陈琳", "司马懿","张辽","徐晃","夏侯惇","夏侯渊","庞德","张郃","李典","乐进","典韦","曹洪","曹仁","曹彰"] wei_dict = dict.fromkeys(wei, 0) shu_dict = dict.fromkeys(shu, 0)
接着去网上下载一部三国的电子书，并读取返回
def read_txt(): with open("三国.txt", encoding="utf-8") as f: content = f.read() return content
pkuseg 测试结果
pkuseg 的用法很简单，首先实例化 pkuseg 的对象，获取人物名称数量的思路是这样的：循环我们分词后的列表，如果检测到有人物名称字典中的人物名，就将该数据加 1，代码如下:
def extract_pkuseg(content): start = time.time() seg = pkuseg.pkuseg() text = seg.cut(content) for name in text: if name in wei: wei_dict[name] = wei_dict.get(name) + 1 elif name in shu: shu_dict[name] = shu_dict.get(name) + 1 print(f"pkuseg 用时：{time.time() - start}") print(f"pkuseg 读取人名总数：{sum(wei_dict.values()) + sum(shu_dict.values())}")
执行结果如下：
pkuseg 测试结果
jieba 测试结果
代码基本差不多，只是分词器的用法有些不同。
def extract_jieba(content): start = time.time() seg_list = jieba.cut(content) for name in seg_list: if name in wei: wei_dict[name] = wei_dict.get(name) + 1 elif name in shu: shu_dict[name] = shu_dict.get(name) + 1 print(f"jieba 用时：{time.time() - start}") print(f"jieba 读取人名总数：{sum(wei_dict.values()) + sum(shu_dict.values())}")
执行结果如下：
ieba 测试结果
emmm 测试结果好像好像有点出乎意料，说好的 pkuseg 准确率更高呢？？？
pkuseg 用时将近 jieba 的三倍，而且提取效果也没有 jieba 分词好！于是我就去逼乎搜了一下 pkuseg ，结果是这样的….
总体而言 pkuseg 吹的有点过了，并没有作者说的那么神奇，有点博眼球的成分，也许它更是一款更注重细分领域的分词器！
