首页 > 代码库 > jieba分词工具的使用

jieba分词工具的使用

烦烦烦( ˇ?ˇ )

http://www.oschina.net/p/jieba/  搬运工。。。。。

jieba

"结巴"中文分词:做最好的Python中文分词组件 "Jieba"。

Feature

  • 支持三种分词模式:

    • 精确模式,试图将句子最精确地切开,适合文本分析;

    • 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;

    • 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(如何上传自己的词典呢,词典的结构又是什么样子的呢)

Algorithm

    • 基于Trie树结构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

功能 1):分词

  • jieba.cut方法接受两个输入参数: 1) 第一个参数为需要分词的字符串 2)cut_all参数用来控制是否采用全模式

  • jieba.cut_for_search方法接受一个参数:需要分词的字符串,该方法适合用于搜索引擎构建倒排索引的分词,粒度比较细

  • 注意:待分词的字符串可以是gbk字符串、utf-8字符串或者unicode

  • jieba.cut以及jieba.cut_for_search返回的结构都是一个可迭代的generator,可以使用for循环来获得分词后得到的每一个词语(unicode),也可以用list(jieba.cut(...))转化为list

代码示例( 分词 )

功能 2) :添加自定义词典

      • 开发者可以指定自己自定义的词典,以便包含jieba词库里没有的词。虽然jieba有新词识别能力,但是自行添加新词可以保证更高的正确率

      • 用法: jieba.load_userdict(file_name) # file_name为自定义词典的路径

      • 词典格式和dict.txt一样,一个词占一行;每一行分三部分,一部分为词语,另一部分为词频,最后为词性(可省略),用空格隔开

      • 范例:

  • 之前: 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /
        • 加载自定义词库后: 李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /

        • 自定义词典:https://github.com/fxsjy/jieba/blob/master/test/userdict.txt

        • 用法示例:https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py

      • "通过用户自定义词典来增强歧义纠错能力" --- https://github.com/fxsjy/jieba/issues/14

功能 3) :关键词提取

  • jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse

  • setence为待提取的文本

  • topK为返回几个TF/IDF权重最大的关键词,默认值为20

代码示例 (关键词提取)

功能 4) : 词性标注

        • 标注句子分词后每个词的词性,采用和ictclas兼容的标记法

        • 用法示例

功能 5) : 并行分词

          • 原理:将目标文本按行分隔后,把各行文本分配到多个python进程并行分词,然后归并结果,从而获得分词速度的可观提升

          • 基于python自带的multiprocessing模块,目前暂不支持windows

          • 用法:

            • jieba.enable_parallel(4) # 开启并行分词模式,参数为并行进程数

            • jieba.disable_parallel() # 关闭并行分词模式

          • 例子: https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py

          • 实验结果:在4核3.4GHz Linux机器上,对金庸全集进行精确分词,获得了1MB/s的速度,是单进程版的3.3倍。

功能 6) : Tokenize:返回词语在原文的起始位置

          • 注意,输入参数只接受unicode

          • 默认模式

功能 7) : ChineseAnalyzer for Whoosh搜索引擎

              • 引用: from jieba.analyse import ChineseAnalyzer

              • 用法示例:https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py

jieba分词工具的使用