如果让你来设计这个程序，你会怎么做？
先别急着写代码，我们一起来捋一捋思路。
核心问题： 怎么判断谁是主角？
一个很自然的想法是：谁的名字出现的次数最多，谁就是主角。
这个思路不一定完全准确，但至少是一个可以量化的起点。就像我们平时说“这本书里某某出现了很多次”，其实就是一种朴素的频率感知。
所以，我们的任务变成了：
统计《红楼梦》全文里，每个人物名字出现了多少次，然后按次数从高到低排序。
我们把大目标拆成小问题：
问题1：文本从哪里来？
需要有一份《红楼梦》的电子版全文（.txt 格式），程序才能读取这个文本文件。
问题2：怎么拿到《红楼梦》里的人物名字？
英文有空格，用 split() 就能拆开。但中文句子是连在一起的，程序不知道“词”在哪里。需要用 jieba 库来分词。
具体怎么拆分，就要看jieba库的具体用法
问题3：怎么判断谁是主角？
把人物名字出现的次数，从高到低排序。
文件操作在以后讲解“文件”时还会具体介绍，本篇只做一个入门。
读取文本文件很简单：先打开文件，然后读取文件内容，最后关闭文件
对应着三行语句，如下所示：
open()函数的功能是“打开文件”，有三个参数：
①"红楼梦.txt"表示需要打开的文件
②"r" 表示只读（read）
③encoding="utf-8"指定编码为utf-8，保证中文正常读取
既然打开了文件，并且把文件称为f，就可以用f.read()一次性读取整个文件内容，存入变量 txt，也就意味着txt变量里存放着红楼梦.txt中所有的内容。这里的txt是字符串类型。
需要注意的是，honglou.txt 文件和py文件需要放在同一个目录下。
f.close()表示关闭文件。
以后学到文件操作时会详细展开。
上一步我们读取了《红楼梦》全文，存入了变量 txt。
运行下面这段代码，什么结果都没显示是正常的。因为仅仅是读取了文件，把所有文件内容存放在txt变量里，没有任何输出。
接下来要解决的问题是：中文没有空格，怎么把文本拆分成词语？
跟所有库的使用一样，要先导入库，才能使用库。
jieba 库最常用的方法：jieba.lcut()，l 代表 list（列表），cut 表示“切分”。lcut 表示“切分后返回列表”。
具体来说，就是接收一个字符串，返回一个列表，列表中的每个元素就是切分好的词语。
举个例子：
运行结果如下所示：
['你', '真是', '优秀']
看到没，jieba库可以把这句话自动分成三个有意义的词语。而且结果是以列表形式存储的。
对于《红楼梦》全文，我们同样用 lcut() 来处理。
这样，words 列表里就存放了《红楼梦》所有的词语。
简单来说，jieba.lcut() 就是用来中文分词的，把一整段中文切分成一个个有独立意义的词语。
试想一下，如果用print(words)直接输出分词后的结果，会怎样？
《红楼梦》全文分词后有几十万或者几百万个词，是不方便直接输出的。
咱们可以把所有分词的结果输出到一个文件，方便查看。
跟读取红楼梦.txt文件操作类似，将生成的结果保存到分词结果.txt文件中
打开分词结果.txt，效果如下图所示：（仅为第一页）
是不是太庞杂了？别急，下一篇，我们将对分词结果进行处理和优化。
jieba.lcut() 到底是怎么工作的？有没有什么可以调整的地方？
接下来，我们就来深入了解一下。
下面的内容，仅适合喜欢探究的伙伴。如果你只需要完成《红楼梦》分词，已经做完了，可以跳过后面的内容。
jieba.lcut() 的基本格式：
jieba.lcut(字符串, 模式) 表示将字符串按指定的模式来分词。
三种分词模式
jieba 提供了三种分词模式，适用于不同的场景。
1. 精确模式（默认）
特点： 把句子最精确地切开，适合文本分析。
运行结果如下：
['我', '来到', '北京', '清华大学']
这是最常用的模式，也是我们分析《红楼梦》时使用的模式。
2. 全模式
特点： 把句子中所有可能的词语都扫描出来，速度最快，但可能有冗余。
运行结果如下：
['我', '来到', '北京', '清华', '清华大学', '华大', '大学']
可以看到，这句话中所有可能的词语都显示出来了，"清华大学" 被拆成了 "清华"、"清华大学"、"华大"、"大学" 等多个结果，有冗余。
3. 搜索引擎模式
特点： 在精确模式的基础上，对长词再次切分，适合搜索引擎索引。
运行结果如下：
['我', '来到', '北京', '清华', '华大', '大学', '清华大学']
为什么叫搜索引擎模式？它是专门为搜索引擎设计的。
宁可多切几种可能，也要让搜索引擎能找到你。长词会被拆成更短的词，方便模糊匹配。
所以 lcut_for_search() 会多切出 "清华"、"大学" 这些短词，让搜索引擎建立索引时覆盖更多关键词。
这也是搜索引擎模式和全模式的结果很像的原因，但底层逻辑不一样。
全模式也是把词切碎，把所有可能的词都找出来，不管重不重复
搜索引擎模式是尽可能把长词拆成有检索价值的短词，方便匹配
jieba 是怎么做到的？简单来说，jieba 分三步走：
第一步：准备一个“词库”
jieba 自带一个词库，里面收录了常见的中文词语，以及每个词的使用频率。
比如词库里可能有：
词 频率
清华大学 1000
清华 800
大学 5000
华大 200
这个词库就像一本词典，jieba 拿着它去“查词”。
第二步：找所有可能的分词方式
把句子放进去，jieba 会找出所有可能的分词方案。
比如 "我来到北京清华大学"：
jieba 会把所有可能都列出来，形成一个有向无环图（DAG）。这个名字听起来复杂，但你可以理解成“把所有可能的分词路径都画出来”。
第三步：选概率最大的
jieba 会根据词库里的频率，计算哪种分词方案最“合理”。
回到上面的例子：
"清华大学" 在词库里的频率是 1000
"清华" 的频率是 800，"大学" 的频率是 5000
"华大" 的频率是 200，"学" 单独成词可能匹配到 "学习"、"学生" 等词的词频，组合概率更低。
虽然 "大学" 这个词单独出现的频率比 "清华大学" 高得多，但 jieba 不是只看一个词，而是看整句话的总体得分。它会把这几个词的频率综合考虑，算出整句话的概率。方案A中 "清华大学" 作为整体出现的概率更高，所以整句得分更高，最终选择了方案A。
遇到不认识的字怎么办？
如果词库里没有这个词，jieba 怎么处理？
比如人名 "周杰伦"，如果词库里没有，jieba 会根据汉字成词的规律来推测：
这是通过 HMM 模型（隐马尔可夫模型）来推测的——根据上下文和汉字组合规律，猜测哪些字应该组成一个词。
不过这个推测并不完美。如果程序里涉及到大量专有名词（人名、地名、品牌名），光靠 jieba 自己是不够的。
可以在代码中临时添加个别词语，或者准备一个词库文件，一次性加载所有自定义词语。
咱们只需要知道：jieba 不认识的新词，我们可以手动教给它。
10个月宝宝每天需要喝多少奶粉？
