文本挖掘——jieba分词

Posted

tags:

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

python 结巴分词(jieba)学习

特点

1,支持三种分词模式:

    a,精确模式,试图将句子最精确地切开,适合文本分析; 
    b,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; 
    c,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

安装

1,Python 2.x 下的安装

全自动安装 :easy_install jieba 或者 pip 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 
通过import jieba 来引用

2,Python 3.x 下的安装

目前master分支是只支持Python2.x 的 
Python3.x 版本的分支也已经基本可用: https://github.com/fxsjy/jieba/tree/jieba3k

 

[java] view plain copy
 
 技术分享技术分享
  1. git clone https://github.com/fxsjy/jieba.git  
  2. git checkout jieba3k  
  3. python setup.py install  

 

算法实现:

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) 
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

功能

功能 1):分词

    jieba.cut方法接受两个输入参数: 1) 第一个参数为需要分词的字符串 2)cut_all参数用来控制是否采用全模式 
    jieba.cut_for_search方法接受一个参数:需要分词的字符串,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 
    注意:待分词的字符串可以是gbk字符串、utf-8字符串或者unicode 
    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),也可以用list(jieba.cut(...))转化为list 
代码示例( 分词 )

 

[python] view plain copy
 
 技术分享技术分享
  1. #encoding=utf-8  
  2. import jieba  
  3. seg_list = jieba.cut("我来到北京清华大学", cut_all=True)  
  4. print "Full Mode:", "/ ".join(seg_list)  # 全模式  
  5. seg_list = jieba.cut("我来到北京清华大学", cut_all=False)  
  6. print "Default Mode:", "/ ".join(seg_list)  # 精确模式  
  7. seg_list = jieba.cut("他来到了网易杭研大厦")  # 默认是精确模式  
  8. print ", ".join(seg_list)  
  9. 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  
  10. print ", ".join(seg_list)  

 

Output: 
【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

功能 2) :添加自定义词典

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:

 

[python] view plain copy
 
 技术分享技术分享
  1. jieba.load_userdict(file_name) # file_name为自定义词典的路径  

 

词典格式和dict.txt一样,一个词占一行;每一行分三部分,一部分为词语,另一部分为词频,最后为词性(可省略),用空格隔开 
范例: 

自定义词典:

 

[python] view plain copy
 
 技术分享技术分享
  1. 云计算 5  
  2. 李小福 2 nr  
  3. 创新办 3 i  
  4. easy_install 3 eng  
  5. 好用 300  
  6. 韩玉赏鉴 3 nz  

 

用法示例:

 

[python] view plain copy
 
 技术分享技术分享
  1. #encoding=utf-8  
  2. import sys  
  3. sys.path.append("../")  
  4. import jieba  
  5. jieba.load_userdict("userdict.txt")  
  6. import jieba.posseg as pseg  
  7.   
  8. test_sent = "李小福是创新办主任也是云计算方面的专家;"  
  9. test_sent += "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类型"  
  10. words = jieba.cut(test_sent)  
  11. for w in words:  
  12. print w  
  13.   
  14. result = pseg.cut(test_sent)  
  15.   
  16. for w in result:  
  17. print w.word, "/", w.flag, ", ",  
  18.   
  19. print "\n========"  
  20.   
  21. terms = jieba.cut(‘easy_install is great‘)  
  22. for t in terms:  
  23.     print t  
  24. print ‘-------------------------‘  
  25. terms = jieba.cut(‘python 的正则表达式是好用的‘)  
  26. for t in terms:  
  27.     print t  

 

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 / 

"通过用户自定义词典来增强歧义纠错能力" --- https://github.com/fxsjy/jieba/issues/14

 

功能 3) :关键词提取 

[python] view plain copy
 
 技术分享技术分享
  1. jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse  

说明

setence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 
代码示例 (关键词提取)

 

[python] view plain copy
 
 技术分享技术分享
  1. import sys  
  2. sys.path.append(‘../‘)  
  3.   
  4. import jieba  
  5. import jieba.analyse  
  6. from optparse import OptionParser  
  7.   
  8. USAGE = "usage: python extract_tags.py [file name] -k [top k]"  
  9.   
  10. parser = OptionParser(USAGE)  
  11. parser.add_option("-k", dest="topK")  
  12. opt, args = parser.parse_args()  
  13.   
  14. ‘’‘  
  15. if len(args) < 1:  
  16.     print USAGE  
  17.     sys.exit(1)  
  18.   
  19. file_name = args[0]  
  20. ’‘’  
  21. file_name=u"D:XXX/xx/xx.txt"  
  22. if opt.topK is None:  
  23.     topK = 10  
  24. else:  
  25.     topK = int(opt.topK)  
  26.   
  27. content = open(file_name, ‘rb‘).read()  
  28.   
  29. tags = jieba.analyse.extract_tags(content, topK=topK)  
  30.   
  31. print ",".join(tags)  

 

功能 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 
用法示例

 

[python] view plain copy
 
 技术分享技术分享
  1. >>> import jieba.posseg as pseg  
  2. >>> words = pseg.cut("我爱北京天安门")  
  3. >>> for w in words:  
  4. ...    print w.word, w.flag  
  5. ...  
  6. 我 r  
  7. 爱 v  
  8. 北京 ns  
  9. 天安门 ns  

 

功能 5) : 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:

 

[ruby] view plain copy
 
 技术分享技术分享
  1. jieba.enable_parallel(4) # 开启并行分词模式,参数为并行进程数  
  2. jieba.disable_parallel() # 关闭并行分词模式  

 

例子:

 

[python] view plain copy
 
 技术分享技术分享
  1. import urllib2  
  2. import sys,time  
  3. import sys  
  4. sys.path.append("../../")  
  5. import jieba  
  6. jieba.enable_parallel(4)  
  7.   
  8. url = sys.argv[1]  
  9. content = open(url,"rb").read()  
  10. t1 = time.time()  
  11. words = list(jieba.cut(content))  
  12.   
  13. t2 = time.time()  
  14. tm_cost = t2-t1  
  15.   
  16. log_f = open("1.log","wb")  
  17. for w in words:  
  18. print >> log_f, w.encode("utf-8"), "/" ,  
  19.   
  20. print ‘speed‘ , len(content)/tm_cost, " bytes/second"  

 

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。

其他词典

占用内存较小的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small 
支持繁体分词更好的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big 
下载你所需要的词典,然后覆盖jieba/dict.txt 即可或者用jieba.set_dictionary(‘data/dict.txt.big‘)

模块初始化机制的改变:lazy load (从0.28版本开始)

jieba采用延迟加载,"import jieba"不会立即触发词典的加载,一旦有必要才开始加载词典构建trie。如果你想手工初始jieba,也可以手动初始化。

 

[python] view plain copy
 
 技术分享技术分享
  1. import jieba  
  2. 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: 

 

[python] view plain copy
 
 技术分享技术分享
  1. jieba.set_dictionary(‘data/dict.txt.big‘)  

 

例子: 

 

[python] view plain copy
 
 技术分享技术分享
  1. #encoding=utf-8  
  2. import sys  
  3. sys.path.append("../")  
  4. import jieba  
  5.   
  6. def cuttest(test_sent):  
  7. result = jieba.cut(test_sent)  
  8. print " ".join(result)  
  9.   
  10. def testcase():  
  11. cuttest("这是一个伸手不见五指的黑夜。我叫孙悟空,我爱北京,我爱Python和C++。")  
  12. cuttest("我不喜欢日本和服。")  
  13. cuttest("雷猴回归人间。")  
  14. cuttest("工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作")  
  15. cuttest("我需要廉租房")  
  16. cuttest("永和服装饰品有限公司")  
  17. cuttest("我爱北京天安门")  
  18. cuttest("abc")  
  19. cuttest("隐马尔可夫")  
  20. cuttest("雷猴是个好网站")  
  21.   
  22. if __name__ == "__main__":  
  23. testcase()  
  24. jieba.set_dictionary("foobar.txt")  
  25. print "================================"  
  26. testcase()  

 

 

功能 6) : Tokenize:返回词语在原文的起始位置

  • 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

 

 

 

功能 7) : 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
 
其他词典
下载你所需要的词典,然后覆盖jieba/dict.txt 即可或者用jieba.set_dictionary(‘data/dict.txt.big‘)
 
模块初始化机制的改变:lazy load (从0.28版本开始)
jieba采用延迟加载,"import jieba"不会立即触发词典的加载,一旦有必要才开始加载词典构建trie。如果你想手工初始jieba,也可以手动初始化。
 
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‘)
例子: https://github.com/fxsjy/jieba/blob/master/test/test_change_dictpath.py
分词速度
1)模型的数据是如何生成的?https://github.com/fxsjy/jieba/issues/7 
2)这个库的授权是? https://github.com/fxsjy/jieba/issues/2
更多问题请点击:https://github.com/fxsjy/jieba/issues?sort=updated&state=closed
Change Log
http://www.oschina.net/p/jieba/news#list
http://www.oschina.net/p/jieba
https://github.com/fxsjy/jieba
 
 




























以上是关于文本挖掘——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

R语言文本处理中文分词并制作文字云

浅谈文本分析分词及关系图

Python分词工具——jieba

R语言-文本挖掘

内审实务文本挖掘在串通投标行为识别中的应用

机器学习之自然语言处理——中文分词jieba库详解(代码+原理)