Python分词工具——jieba

Posted 2021-12-09 zhuminghui

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

1. 分词：将句子按指定模式分成相应的词汇
2. 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
3. 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
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。
5. 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）
6. Tokenize：返回词语在原文的起止位置（注意，输入参数只接受 unicode）
7. ChineseAnalyzer for Whoosh 搜索引擎
8. 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 list
• 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。

 

 

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