始终觉得官方文档是最好的学习途径。嗯,我只是一个大自然的搬运工。
- 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。
1 # encoding=utf-8 2 import jieba 3 4 seg_list = jieba.cut("我来到北京清华大学", cut_all=True) 5 print("Full Mode: " + "/ ".join(seg_list)) # 全模式 6 7 seg_list = jieba.cut("我来到北京清华大学", cut_all=False) 8 print("Default Mode: " + "/ ".join(seg_list)) # 精确模式 9 10 seg_list = jieba.cut("他来到了网易杭研大厦") # 默认是精确模式 11 print(", ".join(seg_list)) 12 13 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 14 print(", ".join(seg_list))
结果:
1 【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学 2 3 【精确模式】: 我/ 来到/ 北京/ 清华大学 4 5 【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) 6 7 【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
传送门https://github.com/fxsjy/jieba