初雪momo
获得徽章 0
- Photon，一个新的Python爬虫，和其他爬虫不同的是可以自动把网站中的信息分类保存。
生成一堆如图2的文件，分别存放网站的URL、匹配的email、社交网络账号、文件地址以及你自定义的正则能匹配出来的东西。
GitHub：
github.com 展开评论11 - jieba —— Python 中文分词组件 GitHub 地址：github.com
“结巴”中文分词，做最好的 Python 中文分词组件。
支持三种分词模式：
1、精确模式，试图将句子最精确地切开，适合文本分析；
2、全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；
3、搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。
支持繁体分词
支持自定义词典
jieba 算法
基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)
采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
对于未登录词，采用了基于汉字成词能力的 HMM 模型，使用了 Viterbi 算法
在线演示：jiebademo.ap01.aws.af.cm 展开评论20 - 你可以在 Web 浏览器中运行 Linux 命令，这是一些在线 Linux 终端评论5
github.com