jieba.NET是jieba中文分词的.NET版本（C#实现）。

清疚 2022-07-14 09:57 258阅读 0赞

jieba.NET是[jieba中文分词][jieba]的.NET版本（C\#实现）。

当前版本为0.38.2，基于jieba 0.38，提供与jieba一致的功能与接口，以后可能会在jieba基础上提供其它扩展功能。关于jieba的实现思路，可以看看[这篇wiki][wiki]里提到的资料。

如果您在开发中遇到与分词有关的需求或困难，请提交一个Issue，I see u:)

## 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。具体来说，分词过程不会借助于词频查找最大概率路径，亦不会使用HMM；
     *  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
 *  支持添加自定义词典和自定义词
 *  MIT 授权协议

## 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

## 安装和配置 ##

当前版本基于.NET Framework 4.5，可以手动引用项目，也可以通过NuGet添加引用：

PM> Install-Package jieba.NET

安装之后，在packages\\jieba.NET目录下可以看到Resources目录，这里面是jieba.NET运行所需的词典及其它数据文件，最简单的配置方法是将整个Resources目录拷贝到程序集所在目录，这样jieba.NET会使用内置的默认配置值。如果希望将这些文件放在其它位置，则要在app.config或web.config中添加如下的配置项：

需要注意的是，这个路径可以使用绝对路径或相对路径。如果使用相对路径，那么jieba.NET会假设该路径是相对于当前应用程序域的BaseDirectory。

配置示例：

*  采用绝对路径时，比如配置项为C:\\jiebanet\\config，那么主词典的路径会拼接为：C:\\jiebanet\\config\\dict.txt。
 *  采用相对路径时（或未添加任何配置项，那么将会使用默认的相对路径：Resources），比如配置项为..\\config（可通过..来调整相对路径），若当前应用程序域的BaseDirectory是C:\\myapp\\bin\\，那么主词典的路径会拼接为：C:\\myapp\\config\\dict.txt。

## 主要功能 ##

### 1. 分词 ###

*  `JiebaSegmenter.Cut`方法接受三个输入参数，text为待分词的字符串；cutAll指定是否采用全模式；hmm指定使用是否使用hmm模型切分未登录词；返回类型为`IEnumerable<string>`
 *  `JiebaSegmenter.CutForSearch`方法接受两个输入参数，text为待分词的字符串；hmm指定使用是否使用hmm模型；返回类型为`IEnumerable<string>`

代码示例

输出

【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
    【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
    【歧义消除】：结过婚/ 的/ 和/ 尚未/ 结过婚/ 的

### 2. 添加自定义词典 ###

#### 加载词典 ####

*  开发者可以指定自定义的词典，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
 *  `JiebaSegmenter.LoadUserDict("user_dict_file_path")`
 *  词典格式与主词典格式相同，即一行包含：词、词频（可省略）、词性（可省略），用空格隔开
 *  词频省略时，分词器将使用自动计算出的词频保证该词被分出

如

创新办 3 i
    云计算 5
    凱特琳 nz
    台中
    机器学习 3

#### 调整词典 ####

*  使用`JiebaSegmenter.AddWord(word, freq=0, tag=null)`可添加一个新词，或调整已知词的词频；若`freq`不是正整数，则使用自动计算出的词频，计算出的词频可保证该词被分出来
 *  使用`JiebaSegmenter.DeleteWord(word)`可移除一个词，使其不能被分出来

### 3. 关键词提取 ###

#### 基于TF-IDF算法的关键词提取 ####

*  `JiebaNet.Analyser.TfidfExtractor.ExtractTags(string text, int count = 20, IEnumerable<string> allowPos = null)`可从指定文本中抽取出关键词。
 *  `JiebaNet.Analyser.TfidfExtractor.ExtractTagsWithWeight(string text, int count = 20, IEnumerable<string> allowPos = null)`可从指定文本中抽取关键词的同时得到其权重。
 *  关键词抽取基于逆向文件频率（IDF），组件内置一个IDF语料库，可以配置为其它自定义的语料库。
 *  关键词抽取会过滤停用词（Stop Words），组件内置一个停用词语料库，这个语料库合并了NLTK的英文停用词和哈工大的中文停用词。

#### 基于TextRank算法的关键词抽取 ####

*  `JiebaNet.Analyser.TextRankExtractor`与`TfidfExtractor`相同的接口。需要注意的是，`TextRankExtractor`默认情况下只提取名词和动词。
 *  以固定窗口大小（默认为5，通过Span属性调整）和词之间的共现关系构建图

### 4. 词性标注 ###

*  `JiebaNet.Segmenter.PosSeg.PosSegmenter`类可以在分词的同时，为每个词添加词性标注。
 *  词性标注采用和ictclas兼容的标记法，关于ictclas和jieba中使用的标记法列表，请参考：[词性标记][Link 1]。

var posSeg = new PosSegmenter();
    var s = "一团硕大无朋的高能离子云，在遥远而神秘的太空中迅疾地飘移";
    
    var tokens = posSeg.Cut(s);
    Console.WriteLine(string.Join(" ", tokens.Select(token => string.Format("{0}/{1}", token.Word, token.Flag))));

一团/m 硕大无朋/i 的/uj 高能/n 离子/n 云/ns ，/x 在/p 遥远/a 而/c 神秘/a 的/uj 太空/n 中/f 迅疾/z 地/uv 飘移/v

### 5. Tokenize：返回词语在原文的起止位置 ###

*  默认模式

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

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

### 6. 并行分词（暂未实现） ###

### 7. 与Lucene.NET的集成 ###

jiebaForLuceneNet项目提供了与Lucene.NET的简单集成，更多信息请看：[jiebaForLuceneNet][]

### 8. 其它词典 ###

jieba分词亦提供了其它的词典文件：

*  占用内存较小的词典文件 [https://raw.githubusercontent.com/anderscui/jieba.NET/master/ExtraDicts/dict.txt.small][https_raw.githubusercontent.com_anderscui_jieba.NET_master_ExtraDicts_dict.txt.small]
 *  支持繁体分词更好的词典文件 [https://raw.githubusercontent.com/anderscui/jieba.NET/master/ExtraDicts/dict.txt.big][https_raw.githubusercontent.com_anderscui_jieba.NET_master_ExtraDicts_dict.txt.big]

### 9. 分词速度 ###

*  全模式：2.5 MB/s
 *  精确模式：1.1 MB/s
 *  测试环境： Intel(R) Core(TM) i3-2120 CPU @ 3.30GHz；围城.txt（734KB）

### 10. 命令行分词 ###

Segmenter.Cli项目build之后得到jiebanet.ext，它的选项和实例用法如下：

-f       --file          the file name, (必要的).
    -d       --delimiter     the delimiter between tokens, default: / .
    -a       --cut-all       use cut_all mode.
    -n       --no-hmm        don't use HMM.
    -p       --pos           enable POS tagging.
    -v       --version       show version info.
    -h       --help          show help details.
    
    sample usages:
    $ jiebanet -f input.txt > output.txt
    $ jiebanet -d | -f input.txt > output.txt
    $ jiebanet -p -f input.txt > output.txt

https://github.com/anderscui/jieba.NET

[jieba]: https://github.com/fxsjy/jieba
[wiki]: https://github.com/anderscui/jieba.NET/wiki/%E7%90%86%E8%A7%A3%E7%BB%93%E5%B7%B4%E5%88%86%E8%AF%8D
[Link 1]: https://gist.github.com/luw2007/6016931
[jiebaForLuceneNet]: https://github.com/anderscui/jiebaForLuceneNet/wiki/%E4%B8%8ELucene.NET%E7%9A%84%E9%9B%86%E6%88%90
[https_raw.githubusercontent.com_anderscui_jieba.NET_master_ExtraDicts_dict.txt.small]: https://raw.githubusercontent.com/anderscui/jieba.NET/master/ExtraDicts/dict.txt.small
[https_raw.githubusercontent.com_anderscui_jieba.NET_master_ExtraDicts_dict.txt.big]: https://raw.githubusercontent.com/anderscui/jieba.NET/master/ExtraDicts/dict.txt.big