Python分词工具——jieba
Posted zhuminghui
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分词工具——jieba相关的知识,希望对你有一定的参考价值。
jieba简介
python在数据挖掘领域的使用越来越广泛。想要使用python做文本分析,分词是必不可少的一个环节在python的第三方包里,jieba应该算得上是分词领域的佼佼者。
GitHub地址:https://github.com/fxsjy/jieba
安装方法
# 全自动安装: easy_install jieba 或者 pip install jieba / pip3 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
主要算法
- 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
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
主要功能
- 分词:将句子按指定模式分成相应的词汇
- 添加自定义词典:某些词汇(例如太和殿、台中、创新办)可能无法做到精准分词,将他们加入自定义词典,使分词时更加准确
- 关键词提取:得到句子中出现次数较多的词汇及它们出现的次数
- 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。
- 并行分词:将目标句子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(目前暂不支持Windows)
- Tokenize:返回词语在原文的起止位置(注意,输入参数只接受 unicode)
- ChineseAnalyzer for Whoosh 搜索引擎
- 命令行分词
我们用到的主要是前4个功能,下面就每个功能具体详述
分词
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- 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.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jieba.lcut
以及jieba.lcut_for_search
直接返回 listjieba.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。
先来道开胃小菜
# encoding=utf-8 import jieba # 精确模式:试图将句子最精确地切开,适合文本分析; seg_list = jieba.cut("我来到北京清华大学", cut_all=False) print("精确模式:", "/ ".join(seg_list)) # 精确模式: 我/ 来到/ 北京/ 清华大学 # 默认是精确模式 seg_list = jieba.cut("他来到了网易杭研大厦") print("默认模式:", "/ ".join(seg_list)) # 默认模式: 他/ 来到/ 了/ 网易/ 杭研/ 大厦 # 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,但是不能解决歧义问题; seg_list = jieba.cut("我来到北京清华大学", cut_all=True) print("全模式:", "/ ".join(seg_list)) # 全模式: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学 # 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。 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") print("搜索引擎模式:", "/ ".join(seg_list)) # 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
以上是关于Python分词工具——jieba的主要内容,如果未能解决你的问题,请参考以下文章