python结巴(jieba)分词

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了python结巴(jieba)分词相关的知识,希望对你有一定的参考价值。

一、特点

1、支持三种分词模式:
  (1)精确模式:试图将句子最精确的切开,适合文本分析。
  (2)全模式:把句子中所有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。
  (3)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

二、实现

结巴分词的实现原理主要有一下三点:
(1)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)。
(2)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。
(3)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。

三、应用

我们来演示一下结巴分词的主要功能

1、分词

技术分享
 1 #-*- coding:utf-8 -*-
 2 
 3 
 4 import jieba
 5 
 6 
 7 
 8 ‘‘‘
 9 cut方法有两个参数
10 1)第一个参数是我们想分词的字符串
11 2)第二个参数cut_all是用来控制是否采用全模式
12 ‘‘‘
13 
14 #全模式
15 word_list = jieba.cut("今天天气真好。亲爱的,我们去远足吧!",cut_all=True)
16 print "全模式:","|".join(word_list)
17 #精确模式 , 默认就是精确模式
18 word_list = jieba.cut("今天天气真好。亲爱的,我们去远足吧!",cut_all=False)
19 print "精确模式:","|".join(word_list)
20 #搜索引擎模式
21 word_list = jieba.cut_for_search("今天天气真好。亲爱的,我们去远足吧!")
22 print "搜索引擎:","|".join(word_list)
技术分享

2、添加自定义词典

虽然jieba有新词识别能力,但是自己添加新词可以保证更高的正确率。
开发者可以根据自己的需要添加自定义词典,以便包含jieba词库里没有的词。
例:小红今天我们还去以前经常去的地方远足吗?要不咱们换个地方吧!园小园怎么样?没问题小豆芽

自定义词典(cu.txt):
园小园 5
小豆芽 3 nr

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),中间用空格隔开。

1 #-*- coding:utf-8 -*-
2 import jieba
3 
4 jieba.load_userdict("./cu.txt")
5 word_list = jieba.cut("小红今天我们还去以前经常去的地方远足吗?要不咱们换个地方吧!园小园怎么样?没问题小豆芽")
6 print "|".join(word_list)

3、关键词提取

1)第一个参数(setence)为待提取的文本。
2)topK为返回几个TF/IDF权重最大的关键词,默认值为20,可以自己指定。

1 #-*- coding:utf-8 -*-
2 import jieba.analyse as al
3 
4 content = open("./topk.txt","rb").read()
5 word_topk = al.extract_tags(content,topK=4)
6 print "|".join(word_topk)

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。

1 #-*- coding:utf-8 -*-
2 import jieba.posseg as pseg
3 
4 words = pseg.cut("青岛北京是不错的地方")
5 for word in words:
6     print word.word,word.flag

运行结果:
青岛 ns
北京 ns
是 v
不错 a
的 uj
地方 n

5、并行分词(只能在linux系统上运行)

将要进行分词的文本按行分隔,把各行文本分配到多个python进程中去,然后归并结果,从而使分词速度提升。 
基于python的multiprocessing模块,目前不支持windows系统。

技术分享
#-*- coding:utf-8 -*-
import jieba
#开启并行分词模式,参数为参与并行分词的进程数
jieba.enable_parallel(2)
#关闭并行分词
#jieba.disable_parallel()
content = open("./topk.txt","rb")
words = jieba.cut(content)
print "|".join(words)
技术分享

6、模块初始化机制的改变:lazy load (从0.28版本开始)

下载你所需要的词典,然后覆盖jieba/dict.txt或者用jieba.set_dictionary("")将其覆盖。

技术分享
1 #-*- coding:utf-8 -*-
2 
3 import jieba
4 jieba.set_dictionary("./dict.txt")
5 content = open("./content.txt","rb").read()
6 words = jieba.cut(content)
7 print "|".join(words)
技术分享

7、Tokenize:返回词语在原文的起始位置

1)第一个参数为文本内容。
2)第二个参数mode可以不用默认模式,指定为“search”搜索引擎模式。

1 #-*- coding:utf-8 -*-
2 import jieba
3 
4 result = jieba.tokenize(u‘今天天气真好。亲爱的,我们去远足吧!‘)
5 for token in result:
6     print "word %s\t\t start: %d \t\t end:%d" % (token[0],token[1],token[2])





















以上是关于python结巴(jieba)分词的主要内容,如果未能解决你的问题,请参考以下文章

Python第三方库jieba(结巴-中文分词)入门与进阶(官方文档)

python jieba 结巴分词报错 AttributeError: 'module' object has no attribute 'cut'

python 结巴分词(jieba)学习

python 结巴分词(jieba)学习

jieba结巴分词

结巴中文分词使用学习(python)