“结巴”中文分词：做最好的 Python 中文分词组件

Posted 2021-08-06 架构精进

1.分词

1. jieba.cut方法接受三个输入参数: 需要分词的字符串； cut_all参数用来控制是否采用全模式； HMM参数用来控制是否使用 HMM 模型
2. jieba.cut_for_search方法接受两个参数：需要分词的字符串；是否使用 HMM 模型。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
3. 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
4. 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)，或者用
5. jieba.lcut以及 jieba.lcut_for_search直接返回 list
6. 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为默认分词器，所有全局分词相关函数都是该分词器的映射。

# encoding=utf-8from __future__ import print_function, unicode_literalsimport jieba
seg_list = jieba.cut("我来到北京清华大学", cut_all=True, HMM=False)print("Full Mode(HMM=False): " + "/ ".join(seg_list))
seg_list = jieba.cut("我来到北京清华大学", cut_all=True, HMM=True)print("Full Mode(HMM=True): " + "/ ".join(seg_list))
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("Default Mode: " + ", ".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("Search Engine Mode: " + ", ".join(seg_list))
Building prefix dict from the default dictionary ...Loading model from cache /var/folders/pb/0wpsfs4x5cq3l5jrspxp9v4r0000gn/T/jieba.cacheLoading model cost 0.469 seconds.Prefix dict has been built succesfully.
Full Mode(HMM=False): 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学Full Mode(HMM=True): 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学Default Mode: 我/ 来到/ 北京/ 清华大学Default Mode: 他, 来到, 了, 网易, 杭研, 大厦Search Engine Mode: 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

2.添加自定义词典

2.1 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.txt 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file_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凱特琳 nz台中

2.2 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)可调节单个词语的词频，使其能（或不能）被分出来。

注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。

使用默认分词，“创新办”、“云计算”、“八一双鹿”、“韩玉赏鉴”、“凱特琳”是分错的：

test_sent = ("李小福是创新办主任也是云计算方面的专家; 什么是八一双鹿\n""例如我输入一个带“韩玉赏鉴”的标题，在自定义词库中也增加了此词为N类\n""「台中」正確應該不會被切開。mac上可分出「石墨烯」；此時又可以分出來凱特琳了。")
words = jieba.cut(test_sent)print('/'.join(words))
李小福/是/创新/办/主任/也/是/云/计算/方面/的/专家/;/ /什么/是/八/一双/鹿//例如/我/输入/一个/带/“/韩玉/赏鉴/”/的/标题/，/在/自定义词/库中/也/增加/了/此/词为/N/类//「/台/中/」/正確/應該/不會/被/切開/。/mac/上/可/分出/「/石墨/烯/」/；/此時/又/可以/分出/來凱/特琳/了/。

加入“凱特琳”后：

jieba.add_word('凱特琳') words = jieba.cut(test_sent)print('/'.join(words))
李小福/是/创新/办/主任/也/是/云/计算/方面/的/专家/;/ /什么/是/八/一双/鹿//例如/我/输入/一个/带/“/韩玉/赏鉴/”/的/标题/，/在/自定义词/库中/也/增加/了/此/词为/N/类//「/台/中/」/正確/應該/不會/被/切開/。/mac/上/可/分出/「/石墨/烯/」/；/此時/又/可以/分出/來/凱特琳/了/。

删除“凱特琳”后：

jieba.del_word('凱特琳')words = jieba.cut(test_sent)print('/'.join(words))
李小福/是/创新/办/主任/也/是/云/计算/方面/的/专家/;/ /什么/是/八/一双/鹿//例如/我/输入/一个/带/“/韩玉/赏鉴/”/的/标题/，/在/自定义词/库中/也/增加/了/此/词为/N/类//「/台/中/」/正確/應該/不會/被/切開/。/mac/上/可/分出/「/石墨/烯/」/；/此時/又/可以/分出/來/凱特琳/了/。

加入“石墨烯”后：

jieba.add_word('石墨烯')words = jieba.cut(test_sent)print('/'.join(words))
李小福/是/创新/办/主任/也/是/云/计算/方面/的/专家/;/ /什么/是/八/一双/鹿//例如/我/输入/一个/带/“/韩玉/赏鉴/”/的/标题/，/在/自定义词/库中/也/增加/了/此/词为/N/类//「/台/中/」/正確/應該/不會/被/切開/。/mac/上/可/分出/「/石墨烯/」/；/此時/又/可以/分出/來/凱特琳/了/。

载入词典：

!cat userdict.txt
云计算 5李小福 2 nr创新办 3 ieasy_install 3 eng好用 300韩玉赏鉴 3 nz八一双鹿 3 nz台中凱特琳 nzEdu Trust认证 2000

jieba.load_userdict("userdict.txt")words = jieba.cut(test_sent)print('/'.join(words))
李小福/是/创新办/主任/也/是/云计算/方面/的/专家/;/ /什么/是/八一双鹿//例如/我/输入/一个/带/“/韩玉赏鉴/”/的/标题/，/在/自定义词/库中/也/增加/了/此/词为/N/类//「/台中/」/正確/應該/不會/被/切開/。/mac/上/可/分出/「/石墨烯/」/；/此時/又/可以/分出/來/凱特琳/了/。

调节单个词语的词频:

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)70
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

3. 关键词提取

3.1 基于 TF-IDF 算法的关键词抽取

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

with open('turing.txt', 'r') as f: sentences = f.read()print(sentences)

艾伦·麦席森·图灵，1912年生于英国伦敦，1954年死于英国的曼彻斯特，他是计算机逻辑的奠基者，许多人工智能的重要方法也源自于这位伟大的科学家，被誉为计算机科学之父、人工智能之父。计算机逻辑的奠基者，提出了“图灵机”和“图灵测试”等重要概念。人们为纪念其在计算机领域的卓越贡献而专门设立了“图灵奖”。艾伦·麦席森·图灵是一名男同性恋者，同时还是一位世界级的长跑运动员。他的马拉松最好成绩是2小时46分3秒，比1948年奥林匹克运动会金牌成绩慢11分钟。1948年的一次跨国赛跑比赛中，他跑赢了同年奥运会银牌得主汤姆·理查兹（Tom Richards）。

代码示例 （关键词提取）

import jieba.analyse
tags = jieba.analyse.extract_tags(sentences, topK=10)print('/'.join(tags))
图灵/麦席森/1948/艾伦/奠基者/人工智能/逻辑/成绩/计算机/计算机领域

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

!head idf.txt.big
劳动防护13.900677652劳动防护13.900677652生化学13.900677652生化学13.900677652奥萨贝尔13.900677652奥萨贝尔13.900677652考察队员13.900677652考察队员13.900677652岗上11.5027823792岗上11.5027823792

jieba.analyse.set_idf_path("idf.txt.big")tags = jieba.analyse.extract_tags(sentences, topK=10)print('/'.join(tags))
图灵/奠基者/麦席森/1948/成绩/重要/计算机/人工智能/艾伦/逻辑

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

!head stop_words.txt
theofisandtointhatweforan

jieba.analyse.set_stop_words("stop_words.txt")jieba.analyse.set_idf_path("idf.txt.big")tags = jieba.analyse.extract_tags(sentences, topK=10)print('/'.join(tags))
图灵/奠基者/麦席森/1948/成绩/重要/计算机/人工智能/艾伦/逻辑

关键词一并返回关键词权重值示例

tags = jieba.analyse.extract_tags(sentences, topK=10, withWeight=True)for tag in tags: print("tag: %s\t\t weight: %f" % (tag[0], tag[1]))

tag: 图灵 weight: 0.484653tag: 奠基者 weight: 0.323102tag: 麦席森 weight: 0.323102tag: 1948 weight: 0.323102tag: 成绩 weight: 0.323102tag: 重要 weight: 0.323102tag: 计算机 weight: 0.323102tag: 人工智能 weight: 0.323102tag: 艾伦 weight: 0.323102tag: 逻辑 weight: 0.323102

3.2 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
• 算法论文：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

s = "林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年，实现营业收入0万元，实现净利润-139.13万元。"
# TF-IDFfor x, w in jieba.analyse.extract_tags(s, topK=10, withWeight=True): print('%s %s' % (x, w))
欧亚 1.01742702152吉林 1.01742702152万元 0.763070266143置业 0.763070266143增资 0.508713510762亿元 0.508713510762实现 0.508713510762在建 0.254356755381房地产 0.254356755381目前 0.254356755381
# TextRankfor x, w in jieba.analyse.textrank(s, topK=10, withWeight=True): print('%s %s' % (x, w))
吉林 1.0欧亚 0.996689335418置业 0.643436031309实现 0.589860669286收入 0.43677859948增资 0.409990053128子公司 0.356782959477城市 0.349713836674商业 0.34817220716业务 0.309223099262

4.词性标注

• jieba.posseg.POSTokenizer(tokenizer=None)新建自定义分词器，tokenizer 参数可指定内部使用的 jieba.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。

import jieba.posseg as psegwords = 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

5.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:2word 服装 start: 2 end:4word 饰品 start: 4 end:6word 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:2word 服装 start: 2 end:4word 饰品 start: 4 end:6word 有限 start: 6 end:8word 公司 start: 8 end:10word 有限公司 start: 6 end:10