您的位置:首页 > 编程语言 > Python开发

“结巴”分词:做最好的Python分词组件

2014-05-16 21:51 197 查看
中文分词是中文文本处理的一个基础性工作,然而长久以来,在Python编程领域,一直缺少高准确率、高效率的分词组件。结巴分词正是为了满足这一需求。

在线演示:http://209.222.69.242:9000/

特性:

支持两种分词模式:

默认模式,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,适合搜索引擎。
用法:

全自动安装:easy_install jieba
半自动安装:先下载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)
算法:

基于Trie树结构实现高效的词图扫描,生成句子中汉字构成的有向无环图(DAG)
采用了记忆化搜索实现最大概率路径的计算, 找出基于词频的最大切分组合
对于未登录词,采用了基于汉字位置概率的模型,使用了Viterbi算法
接口:

组件只提供jieba.cut 方法用于分词
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参数用来控制分词模式
待分词的字符串可以是gbk字符串、utf-8字符串或者unicode
jieba.cut返回的结构是一个可迭代的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:

Python代码

#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) #默认模式  
  
seg_list = jieba.cut("他来到了网易杭研大厦")  
print ", ".join(seg_list)  

输出:

代码

Full Mode: 我/ 来/ 来到/ 到/ 北/ 北京/ 京/ 清/ 清华/ 清华大学/ 华/ 华大/ 大/ 大学/ 学  
  
Default Mode: 我/ 来到/ 北京/ 清华大学  
  
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)  

性能:

1.5 MB / Second in Full Mode
350 KB / Second in Default Mode
Test Env: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz;《围城》.txt
内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: