行業(yè)動態(tài)
行業(yè)動態(tài)Python進行網(wǎng)頁文本處理
發(fā)布：2020-10-05 12:23:00 瀏覽：2516
Python進行網(wǎng)頁文本處理。
網(wǎng)頁文本中的中英文處理的區(qū)別在于中文需要額外加入分詞處理過程。所謂分詞就是將一段文本文字分成一個個詞組的過程。
具體處理流程為:加載jieba分詞包進行中文分詞;將分詞后的詞組去掉停用詞及一個字符的詞后, 輸出訓(xùn)練文本中的常用分詞和熟悉的詞組;在訓(xùn)練文本的數(shù)據(jù)訓(xùn)練及情感詞典的歸檔中將爬取獲得的網(wǎng)頁數(shù)據(jù)的客觀性文本分詞后放入變量中, 主觀類情感文本放入另一變量中;為自動得到網(wǎng)頁文本中重要的關(guān)鍵詞組, 過濾掉對網(wǎng)頁文本意義貢獻不大的常用詞組, 在chi2模塊的特征選擇下, 采用詞頻-逆文本頻率 (TF-IDF) 概念將分詞詞組變量轉(zhuǎn)換為tf-idf向量形式, 輸出分詞向量矩陣, 為下一階段的網(wǎng)頁文本情感分析做準備。
>>> 查看《行業(yè)動態(tài)Python進行網(wǎng)頁文本處理》更多相關(guān)資訊 <<<
本文地址：http://ccrxjh.com/news/html/20623.html
