jieba分词器

Posted 2020-10-27 zenan

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。

1. 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。

 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