PYTHON 结巴中文分词工具的基础使用

原文链接   http://www.zuidun.com/68.html
作者：@醉炖流年 发布时间：July
7, 2015 

结巴分词下载地址：https://pypi.python.org/pypi/jieba/

jieba的三种分词模式

精确模式，试图将句子最精确地切开，适合文本分析；#此模式为默认模式
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。

jieba模式使用例子：

import jieba
#设置一个变量
text="我有一头小毛驴"
#默认模式（即精确模式，cut_all=False 参数可省略）
default_mode = jieba.cut(text)
print "默认精确模式"，" / ".join(default_mode)
#全模式，必须加参数 cut_all=True
full_mode = jieba.cut(text,cut_all=True)
print "全模式"，" / ".join(full_mode)
#搜索引擎模式
search_mode = jieba.cut_for_search(text)
print "搜索引擎模式:"," / ".join(search_mode)

jieba分词使用语法

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
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。

JIEBA其他两个重要的关键词提取功能

基于 TF-IDF 算法的关键词抽取

import jieba.analyse

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
sentence 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
withWeight 为是否一并返回关键词权重值，默认值为 False
allowPOS 仅包括指定词性的词，默认值为空，即不筛选
jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件
代码示例 （关键词提取）

import jieba.analyse
text = "我有一头小毛驴！"
tags = jieba.analyse.extract_tags(text,3)
print "基于 TF-IDF 算法的关键词抽取"," / ".join(tags)

关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径用法： jieba.analyse.set_idf_path(file_name) # file_name为自定义语
a86d
料库的路径
自定义语料库示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big
用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.py
关键词提取所使用停止词（Stop Words）文本语料库可以切换成自定义语料库的路径用法： jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径
自定义语料库示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt
用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.py
关键词一并返回关键词权重值示例用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_with_weight.py基于 TextRank 算法的关键词抽取jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) 直接使用，接口相同，注意默认过滤词性。
jieba.analyse.TextRank() 新建自定义 TextRank 实例
算法论文： TextRank: Bringing Order into Texts基本思想:将待抽取关键词的文本进行分词
以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图
计算图中节点的PageRank，注意是无向带权图使用示例
import jieba.analyse
text = "我有一头小毛驴！"
tags = jieba.analyse.textrank(text,3)
print "基于 TextRank 算法的关键词抽取"," / ".join(tags)


更多结巴分词使用，请参阅：https://github.com/fxsjy/jieba