python中文分词工具：结巴分词jieba

灰太狼 2022-08-05 12:16 271阅读 0赞

http://[blog.csdn.net/pipisorry/article/details/45311229][blog.csdn.net_pipisorry_article_details_45311229]

# 结巴分词jieba #

### 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；  
        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

### 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

### 分词方法说明 ###

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，建议使用list(cul())来转换，源码也是这样做的，少一步函数调用。  
    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。

### 添加自定义词典 ###

**载入词典**  
    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： jieba.load\_userdict(file\_name) \# file\_name 为文件类对象或自定义词典的路径  
    词典格式和 dict.txt 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file\_name 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。  
    词频省略时使用自动计算的能保证分出该词的词频。  
例如：  
创新办 3 i  
云计算 5  
凱特琳 nz  
台中  
**更改分词器**

（默认为 jieba.dt）的 tmp\_dir 和 cache\_file 属性，可分别指定缓存文件所在的文件夹及其文件名，用于受限的文件系统。  
    范例：  
        自定义词典：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  
            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 /  
**调整词典**  
    使用 add\_word(word, freq=None, tag=None) 和 del\_word(word) 可在程序中动态修改词典。  
    使用 suggest\_freq(segment, tune=True) 可调节单个词语的词频，使其能（或不能）被分出来。  
    注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。  
代码示例：  
>>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))  
如果/放到/post/中将/出错/。  
>>> jieba.suggest\_freq(('中', '将'), True)  
494  
>>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))  
如果/放到/post/中/将/出错/。  
>>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))  
「/台/中/」/正确/应该/不会/被/切开  
>>> jieba.suggest\_freq('台中', True)  
69  
>>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))  
「/台中/」/正确/应该/不会/被/切开  
"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

### 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  
    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。  
    注意：并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。

## jieba分词的安装 ##

### 虚拟环境中安装 ###

cd /media/pika/files/mine/ENV/ubuntu\_env

pika:/media/pika/files/mine/ENV/ubuntu\_env$. bin/activate  
(ubuntu\_env) pika:/media/pika/files/mine/ENV/ubuntu\_env$pip install jieba

### 直接在系统中安装使用 ###

pip install jieba

或者安装到python3中：pip3 install jieba

[皮皮Blog][Blog]

# jieba中文分词的使用 #

### 示例1：不同切分模式 ###

代码示例

# 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))

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    (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

### 示例2：自定义词典 ###

import jieba
    sentences = ["我喜欢吃土豆","土豆是个百搭的东西","我不喜欢今天雾霾的北京", 'costumer service']
    # jieba.suggest_freq('雾霾', True)
    # jieba.suggest_freq('百搭', True)
    words = [list(jieba.cut(doc)) for doc in sentences]
    print(words)
    
    [['我', '喜欢', '吃', '土豆'],
     ['土豆', '是', '个', '百搭', '的', '东西'],
     ['我', '不', '喜欢', '今天', '雾霾', '的', '北京'],
     ['costumer', ' ', 'service']]

\[[https://github.com/fxsjy/jieba][https_github.com_fxsjy_jieba]\]

[皮皮Blog][Blog]

from:[http://blog.csdn.net/pipisorry/article/details/45311229][blog.csdn.net_pipisorry_article_details_45311229]

ref: 官网[https://github.com/fxsjy/jieba][https_github.com_fxsjy_jieba]\*

[blog.csdn.net_pipisorry_article_details_45311229]: http://blog.csdn.net/pipisorry/article/details/45311229
[Blog]: http://blog.csdn.net/pipisorry
[https_github.com_fxsjy_jieba]: https://github.com/fxsjy/jieba