Python中文分词组件 jieba

柔光的暖阳◎ 2022-07-29 09:28 275阅读 0赞

# jieba #

"结巴"中文分词：做最好的Python中文分词组件 "Jieba"

# Feature #

*  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

# 在线演示 #

[http://jiebademo.ap01.aws.af.cm/][http_jiebademo.ap01.aws.af.cm]

(Powered by Appfog)

# 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/][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 （第一次import时需要构建Trie树，需要几秒时间）

# 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][https_github.com_fxsjy_jieba_tree_jieba3k]
    
        git clone https://github.com/fxsjy/jieba.git
        git checkout jieba3k
        python setup.py install

# Algorithm #

*  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 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 )

#encoding=utf-8
    import jieba
    
    seg_list = jieba.cut("我来到北京清华大学",cut_all=True)
    print "Full Mode:", "/ ".join(seg_list) #全模式
    
    seg_list = jieba.cut("我来到北京清华大学",cut_all=False)
    print "Default Mode:", "/ ".join(seg_list) #精确模式
    
    seg_list = jieba.cut("他来到了网易杭研大厦") #默认是精确模式
    print ", ".join(seg_list)
    
    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
    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\[有问题\] #

*  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： 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：
    
     *  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 /
     *  自定义词典：[https://github.com/fxsjy/jieba/blob/master/test/userdict.txt][https_github.com_fxsjy_jieba_blob_master_test_userdict.txt]
     *  用法示例：[https://github.com/fxsjy/jieba/blob/master/test/test\_userdict.py][https_github.com_fxsjy_jieba_blob_master_test_test_userdict.py]
 *  "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][https_github.com_fxsjy_jieba_issues_14]

# 功能 3) ：关键词提取 #

*  jieba.analyse.extract\_tags(sentence,topK) \#需要先import jieba.analyse
 *  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）

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）
    
    import sys
    sys.path.append('../')
    
    import jieba
    import jieba.analyse
    from optparse import OptionParser
    
    USAGE = "usage: python extract_tags.py [file name] -k [top k]"
    
    parser = OptionParser(USAGE)
    parser.add_option("-k", dest="topK")
    opt, args = parser.parse_args()
    
    
    if len(args) < 1:
        print USAGE
        sys.exit(1)
    
    file_name = args[0]
    
    if opt.topK is None:
        topK = 10
    else:
        topK = int(opt.topK)
    
    content = open(file_name, 'rb').read()
    
    tags = jieba.analyse.extract_tags(content, topK=topK)
    
    print ",".join(tags)

https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py

# 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
    
        >>> import jieba.posseg as pseg
        >>> words =pseg.cut("我爱北京天安门")
        >>> for w in words:
        ...    print w.word,w.flag
        ...
        我 r
        爱 v
        北京 ns
        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：
    
     *  jieba.enable\_parallel(4) \# 开启并行分词模式，参数为并行进程数
     *  jieba.disable\_parallel() \# 关闭并行分词模式
 *  例子： [https://github.com/fxsjy/jieba/blob/master/test/parallel/test\_file.py][https_github.com_fxsjy_jieba_blob_master_test_parallel_test_file.py]
 *  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。

#  #

# 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][https_github.com_fxsjy_jieba_blob_master_test_test_whoosh.py]

# 其他词典 #

1.  占用内存较小的词典文件 [https://github.com/fxsjy/jieba/raw/master/extra\_dict/dict.txt.small][https_github.com_fxsjy_jieba_raw_master_extra_dict_dict.txt.small]
2.  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][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。

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][https_github.com_fxsjy_jieba_blob_master_test_test_change_dictpath.py]

# 分词速度 #

*  1.5 MB / Second in Full Mode
 *  400 KB / Second in Default Mode
 *  Test Env: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《围城》.txt

# 常见问题 #

1）模型的数据是如何生成的？[https://github.com/fxsjy/jieba/issues/7][https_github.com_fxsjy_jieba_issues_7]

2）这个库的授权是? [https://github.com/fxsjy/jieba/issues/2][https_github.com_fxsjy_jieba_issues_2]

更多问题请点击：[https://github.com/fxsjy/jieba/issues?sort=updated&state=closed][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_news_list]

[http_jiebademo.ap01.aws.af.cm]: http://jiebademo.ap01.aws.af.cm/
[http_pypi.python.org_pypi_jieba]: http://pypi.python.org/pypi/jieba/
[https_github.com_fxsjy_jieba_tree_jieba3k]: https://github.com/fxsjy/jieba/tree/jieba3k
[https_github.com_fxsjy_jieba_blob_master_test_userdict.txt]: https://github.com/fxsjy/jieba/blob/master/test/userdict.txt
[https_github.com_fxsjy_jieba_blob_master_test_test_userdict.py]: https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py
[https_github.com_fxsjy_jieba_issues_14]: https://github.com/fxsjy/jieba/issues/14
[https_github.com_fxsjy_jieba_blob_master_test_parallel_test_file.py]: https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py
[https_github.com_fxsjy_jieba_blob_master_test_test_whoosh.py]: https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py
[https_github.com_fxsjy_jieba_raw_master_extra_dict_dict.txt.small]: https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small
[https_github.com_fxsjy_jieba_raw_master_extra_dict_dict.txt.big]: https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big
[https_github.com_fxsjy_jieba_blob_master_test_test_change_dictpath.py]: https://github.com/fxsjy/jieba/blob/master/test/test_change_dictpath.py
[https_github.com_fxsjy_jieba_issues_7]: https://github.com/fxsjy/jieba/issues/7
[https_github.com_fxsjy_jieba_issues_2]: https://github.com/fxsjy/jieba/issues/2
[https_github.com_fxsjy_jieba_issues_sort_updated_state_closed]: https://github.com/fxsjy/jieba/issues?sort=updated&state=closed
[http_www.oschina.net_p_jieba_news_list]: http://www.oschina.net/p/jieba/news#list