首页 > 代码库 > jieba分词的词性标注

jieba分词的词性标注

号称“做最好的Python中文分词组件”的jieba分词是python语言的一个中文分词包。它的特点有:
     

    1. 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。

    2. 支持繁体分词

    3. 支持自定义词典

      Python 2.x 下的安装

      • 全自动安装:easy_install jieba 或者 pip install jieba

      • 半自动安装:先下载http://pypi.python.org/pypi/jieba/ ,解压后运行python setup.py install

      • 手动安装:将jieba目录放置于当前目录或者site-packages目录

      • 通过import jieba 来引用 (第一次import时需要构建Trie树,需要几秒时间)

      Python 3.x 下的安装

      • 目前master分支是只支持Python2.x 的

      • Python3.x 版本的分支也已经基本可用: 

        https://github.com/fxsjy/jieba/tree/jieba3k

        [html]
        1. git clone https://github.com/fxsjy/jieba.git  
        2. git checkout jieba3k  
        3. python setup.py install<h1 style="font-family: Helvetica, arial, freesans, clean, sans-serif; font-size: 28px;"><target=_blank name="-1" href=http://www.mamicode.com/"https://github.com/fxsjy/jieba/blob/master/README.md#-1"></a>功能 1):分词</h1><ul class=" list-paddingleft-2" style="color: rgb(51, 51, 51); font-family: Helvetica, arial, freesans, clean, sans-serif; font-size: 14px;"><li><p>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 </p></li><li><p>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 </p></li><li><p> 注意:待分词的字符串可以是gbk字符串、utf-8字符串或者unicode </p></li><li><p> 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 </p></li></ul><style="color: rgb(51, 51, 51); font-family: Helvetica, arial, freesans, clean, sans-serif; font-size: 14px;">代码示例( 分词 )</p><pre>#encoding=utf-8  
        4. import jieba  
        5.   
        6. seg_list = jieba.cut("我来到北京清华大学",cut_all=True)  
        7. print "Full Mode:", "/ ".join(seg_list) #全模式  
        8.   
        9. seg_list = jieba.cut("我来到北京清华大学",cut_all=False)  
        10. print "Default Mode:", "/ ".join(seg_list) #精确模式  
        11.   
        12. seg_list = jieba.cut("他来到了网易杭研大厦") #默认是精确模式  
        13. print ", ".join(seg_list)  
        14.   
        15. seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所,后在日本京都大学深造") #搜索引擎模式  
        16. print ", ".join(seg_list)  

        Output:

        【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
        
        【精确模式】: 我/ 来到/ 北京/ 清华大学
        
        【新词识别】:他, 来到, 了, 网易, 杭研, 大厦    (此处,“杭研”并没有在词典中,但是也被Viterbi算法识别出来了)
        
        【搜索引擎模式】: 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造

        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)

        https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py

        功能 4) : 词性标注(这是重点)

        • 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

          >>> import jieba.posseg as pseg
          >>> words =pseg.cut("我爱北京天安门")
          >>> for w in words:
          ...    print w.word,w.flag
          ...
          我 r
          爱 v
          北京 ns
          天安门 ns

        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

        result = jieba.tokenize(u‘永和服装饰品有限公司‘)
        for tk in result:
            print "word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2])
        word 永和                start: 0                end:2
        word 服装                start: 2                end:4
        word 饰品                start: 4                end:6
        word 有限公司            start: 6                end:10
        • 搜索模式

        result = jieba.tokenize(u‘永和服装饰品有限公司‘,mode=‘search‘)
        for tk in result:
            print "word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2])
        word 永和                start: 0                end:2
        word 服装                start: 2                end:4
        word 饰品                start: 4                end:6
        word 有限                start: 6                end:8
        word 公司                start: 8                end:10
        word 有限公司            start: 6                end:10

        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


          另附词性标注表如下:

          1. 名词 (1个一类,7个二类,5个三类)
          名词分为以下子类:
          n 名词
          nr 人名
          nr1 汉语姓氏
          nr2 汉语名字
          nrj 日语人名
          nrf 音译人名
          ns 地名
          nsf 音译地名
          nt 机构团体名
          nz 其它专名
          nl 名词性惯用语
          ng 名词性语素
          2. 时间词(1个一类,1个二类)
          t 时间词
          tg 时间词性语素
          3. 处所词(1个一类)
          s 处所词
          4. 方位词(1个一类)
          f 方位词
          5. 动词(1个一类,9个二类)
          v 动词
          vd 副动词
          vn 名动词
          vshi 动词“是”
          vyou 动词“有”
          vf 趋向动词
          vx 形式动词
          vi 不及物动词(内动词)
          vl 动词性惯用语
          vg 动词性语素
          6. 形容词(1个一类,4个二类)
          a 形容词
          ad 副形词
          an 名形词
          ag 形容词性语素
          al 形容词性惯用语
          7. 区别词(1个一类,2个二类)
          b 区别词
          bl 区别词性惯用语
          8. 状态词(1个一类)
          z 状态词
          9. 代词(1个一类,4个二类,6个三类)
          r 代词
          rr 人称代词
          rz 指示代词
          rzt 时间指示代词
          rzs 处所指示代词
          rzv 谓词性指示代词
          ry 疑问代词
          ryt 时间疑问代词
          rys 处所疑问代词
          ryv 谓词性疑问代词
          rg 代词性语素
          10. 数词(1个一类,1个二类)
          m 数词
          mq 数量词
          11. 量词(1个一类,2个二类)
          q 量词
          qv 动量词
          qt 时量词
          12. 副词(1个一类)
          d 副词
          13. 介词(1个一类,2个二类)
          p 介词
          pba 介词“把”
          pbei 介词“被”
          14. 连词(1个一类,1个二类)
          c 连词
          cc 并列连词
          15. 助词(1个一类,15个二类)
          u 助词
          uzhe 着
          ule 了 喽
          uguo 过
          ude1 的 底
          ude2 地
          ude3 得
          usuo 所
          udeng 等 等等 云云
          uyy 一样 一般 似的 般
          udh 的话
          uls 来讲 来说 而言 说来
          uzhi 之
          ulian 连 (“连小学生都会”)
          16. 叹词(1个一类)
          e 叹词
          17. 语气词(1个一类)
          y 语气词(delete yg)
          18. 拟声词(1个一类)
          o 拟声词
          19. 前缀(1个一类)
          h 前缀
          20. 后缀(1个一类)
          k 后缀
          21. 字符串(1个一类,2个二类)
          x 字符串
          xx 非语素字
          xu 网址URL
          22. 标点符号(1个一类,16个二类)
          w 标点符号
          wkz 左括号,全角:( 〔 [ { 《 【 〖 〈 半角:( [ { <
          wky 右括号,全角:) 〕 ] } 》 】 〗 〉 半角: ) ] { >
          wyz 左引号,全角:“ ‘ 『
          wyy 右引号,全角:” ’ 』
          wj 句号,全角:。
          ww 问号,全角:? 半角:?
          wt 叹号,全角:! 半角:!
          wd 逗号,全角:, 半角:,
          wf 分号,全角:; 半角: ;
          wn 顿号,全角:、
          wm 冒号,全角:: 半角: :
          ws 省略号,全角:…… …
          wp 破折号,全角:—— -- ——- 半角:--- ----
          wb 百分号千分号,全角:% ‰ 半角:%
          wh 单位符号,全角:¥ $ £ ° ℃ 半角:$

jieba分词的词性标注