1、结巴分词(jieba)的介绍
1) 支持四种分词模式
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。
paddle模式:利用PaddlePaddle
深度学习框架,训练序列标注(双向GRU)网络模型实现分词。同时支持词性标注。paddle模式使用需安装paddlepaddle-tiny
,pip install paddlepaddle-tiny==1.6.1
。目前paddle
模式支持jieba v0.40
及以上版本。jieba v0.40
以下版本,请升级jieba
,pip install jieba --upgrade
。PaddlePaddle官网
2) 支持繁体分词
3) 支持自定义词典
2、结巴分词(jieba)的安装
代码对 Python 2/3 均兼容
1) 全自动安装
easy_install jieba
或者
pip install jieba
或者
pip3 install jieba
注意:pip默认安装使用的是国外的源,可能由于网络问题安装失败,则可以尝试使用如下,
pip install jieba -i https://pypi.tuna.tsinghua.edu.cn/simple
2) 半自动安装
先下载 http://pypi.python.org/pypi/jieba/ ,解压后运行 python setup.py install
3) 手动安装
将jieba
目录放置于当前目录或者 site-packages
目录
4) 使用介绍
通过import jieba
来引用
如果需要使用paddle
模式下的分词和词性标注功能,请先安装paddlepaddle-tiny
,pip install paddlepaddle-tiny==1.6.1
。
3、结巴分词(jieba)的使用
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
1) 使用jieba分词
jieba.cut: 方法接受四个输入参数: 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;use_paddle
参数用来控制是否使用paddle
模式下的分词模式,paddle
模式采用延迟加载方式,通过enable_paddle
接口安装paddlepaddle-tiny
,并且import
相关代码;
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。
使用示例:
# encoding=utf-8
import jieba
jieba.enable_paddle()# 启动paddle模式。 0.40版之后开始支持,早期版本不支持
strs=["我来到北京清华大学","乒乓球拍卖完了","中国科学技术大学"]
for str in strs:
seg_list = jieba.cut(str,use_paddle=True) # 使用paddle模式
print("Paddle Mode: " + '/'.join(list(seg_list)))
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
2) 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。(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)
3、调整结巴分词(jieba)的词典
1) 使用 add_word(word, freq=None, tag=None)
和 del_word(word)
可在程序中动态修改词典。
2) 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('「苹果」正确应该不会被切开', HMM=False))) 「/苹果/」/正确/应该/不会/被/切开 >>> jieba.suggest_freq('苹果', True) 1335
3) "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