jieba

“结巴”中文分词：做最好的 Python 中文分词组件。下载地址：https://github.com/fxsjy/jieba

特点

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
MIT 授权协议

安装说明

代码对 Python 2/3 均兼容

全自动安装：easy_install jieba或者pip install jiebapip3 install jieba
http://pypi.python.org/pypi/jieba/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

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

主要功能

分词

jieba.cut
jieba.cut_for_search
待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8
jieba.cutjieba.cut_for_search
jieba.lcutjieba.lcut_for_search
jieba.Tokenizer(dictionary=DEFAULT_DICT)新建自定义分词器，可用于同时使用不同词典。jieba.dt

代码示例

# encoding=utf-8 import jieba  seg_list = jieba.cut("我来到北京清华大学", cut_all=True) print("Full Mode: " + "/ ".join(seg_list))  # 全模式  seg_list = jieba.cut("我来到北京清华大学", cut_all=False) print("Default Mode: " + "/ ".join(seg_list))  # 精确模式  seg_list = jieba.cut("他来到了网易杭研大厦")  # 默认是精确模式 print(", ".join(seg_list))  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 print(", ".join(seg_list))

输出:

【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

添加自定义词典

载入词典

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 为文件类对象或自定义词典的路径
词典格式和dict.txtfile_name若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。
词频省略时使用自动计算的能保证分出该词的词频。

例如：

创新办 3 i 云计算 5 凯特琳 nz 台中

jieba.dttmp_dircache_file
范例：
- 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
  - 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 /

调整词典

使用add_word(word, freq=None, tag=None)和del_word(word)可在程序中动态修改词典。
使用suggest_freq(segment, tune=True)
注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。

代码示例：

 >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False))) 如果/放到/post/中将/出错/。 >>> jieba.suggest_freq(('中', '将'), True) 494 >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False))) 如果/放到/post/中/将/出错/。 >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False))) 「/台/中/」/正确/应该/不会/被/切开 >>> jieba.suggest_freq('台中', True) 69 >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False))) 「/台中/」/正确/应该/不会/被/切开 

https://github.com/fxsjy/jieba/issues/14

关键词提取

基于 TF-IDF 算法的关键词抽取

import jieba.analyse

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
- sentence 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
- withWeight 为是否一并返回关键词权重值，默认值为 False
- allowPOS 仅包括指定词性的词，默认值为空，即不筛选
jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件

代码示例（关键词提取）

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

关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径

用法： jieba.analyse.set_idf_path(file_name) # file_name为自定义语料库的路径
自定义语料库示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big
用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.py

关键词提取所使用停止词（Stop Words）文本语料库可以切换成自定义语料库的路径

用法： jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径
自定义语料库示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt
用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.py

关键词一并返回关键词权重值示例

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

基于 TextRank 算法的关键词抽取

jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) 直接使用，接口相同，注意默认过滤词性。
jieba.analyse.TextRank() 新建自定义 TextRank 实例

TextRank: Bringing Order into Texts

基本思想:

将待抽取关键词的文本进行分词
以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图
计算图中节点的PageRank，注意是无向带权图

使用示例:

test/demo.py

词性标注

jieba.posseg.POSTokenizer(tokenizer=None)新建自定义分词器，tokenizerjieba.Tokenizer分词器。jieba.posseg.dt为默认词性标注分词器。
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 word, flag in words: ...    print('%s %s' % (word, flag)) ... 我 r 爱 v 北京 ns 天安门 ns

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)
- jieba.disable_parallel()
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。
注意jieba.dt和jieba.posseg.dt。

Tokenize：返回词语在原文的起止位置

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

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

命令行分词

使用示例：python -m jieba news.txt > cut_result.txt

命令行选项（翻译）：

使用: python -m jieba [options] filename  结巴命令行界面。  固定参数:   filename              输入文件  可选参数:   -h, --help            显示此帮助信息并退出   -d [DELIM], --delimiter [DELIM]                         使用 DELIM 分隔词语，而不是用默认的' / '。                         若不指定 DELIM，则使用一个空格分隔。   -p [DELIM], --pos [DELIM]                         启用词性标注；如果指定 DELIM，词语和词性之间                         用它分隔，否则用 _ 分隔   -D DICT, --dict DICT  使用 DICT 代替默认词典   -u USER_DICT, --user-dict USER_DICT                         使用 USER_DICT 作为附加词典，与默认词典或自定义词典配合使用   -a, --cut-all         全模式分词（不支持词性标注）   -n, --no-hmm          不使用隐含马尔可夫模型   -q, --quiet           不输出载入信息到 STDERR   -V, --version         显示版本信息并退出  如果没有指定文件名，则使用标准输入。

--help

$> python -m jieba --help Jieba command line interface.  positional arguments:   filename              input file  optional arguments:   -h, --help            show this help message and exit   -d [DELIM], --delimiter [DELIM]                         use DELIM instead of ' / ' for word delimiter; or a                         space if it is used without DELIM   -p [DELIM], --pos [DELIM]                         enable POS tagging; if DELIM is specified, use DELIM                         instead of '_' for POS delimiter   -D DICT, --dict DICT  use DICT as dictionary   -u USER_DICT, --user-dict USER_DICT                         use USER_DICT together with the default dictionary or                         DICT (if specified)   -a, --cut-all         full pattern cutting (ignored with POS tagging)   -n, --no-hmm          don't use the Hidden Markov Model   -q, --quiet           don't print loading messages to stderr   -V, --version         show program's version number and exit  If no filename specified, use STDIN instead.

延迟加载机制

jieba 采用延迟加载，import jiebajieba.Tokenizer()

import jieba jieba.initialize()  # 手动初始化（可选）

在 0.28 之前的版本是不能指定主词典的路径的，有了延迟加载机制后，你可以改变主词典的路径:

jieba.set_dictionary('data/dict.txt.big')

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

其他词典

jieba.set_dictionary('data/dict.txt.big')

文章来源: Python第三方库jieba（结巴-中文分词）入门与进阶（官方文档）

标签

jieba

python

中文分词

结巴分词

分词

test