Python中文分词--jieba的基本使用

中文分词的原理

基于字符串匹配的分词方法：这种方法又叫做机械分词方法，

它是按照一定的策略将待分析的汉字串与一个“充分大的”机器词典中的词条进行配，

若在词典中找到某个字符串，则匹配成功（识别出一个词）

1）正向最大匹配法（由左到右的方向）

2）逆向最大匹配法（由右到左的方向）:

3）最少切分（使每一句中切出的词数最小）

4）双向最大匹配法（进行由左到右、由右到左两次扫描）

基于理解的分词方法：这种分词方法是通过让计算机模拟人对句子的理解，达到识别词的效果。

其基本思想就是在分词的同时进行句法、语义分析，利用句法信息和语义信息来处理歧义现象。

它通常包括三个部分：分词子系统、句法语义子系统、总控部分。

在总控部分的协调下，分词子系统可以获得有关词、句子等的句法和语义信息来对分词歧义进行判断，

即它模拟了人对句子的理解过程。这种分词方法需要使用大量的语言知识和信息。

由于汉语语言知识的笼统、复杂性，难以将各种语言信息组织成机器可直接读取的形式，

因此目前基于理解的分词系统还处在试验阶段。

基于统计的分词方法：给出大量已经分词的文本，利用统计机器学习模型学习词语切分的规律（称为训练），

从而实现对未知文本的切分。

例如最大概率分词方法和最大熵分词方法等。

随着大规模语料库的建立，统计机器学习方法的研究和发展，基于统计的中文分词方法渐渐成为了主流方法。

主要统计模型：N元文法模型（N-gram），隐马尔可夫模型（Hidden Markov Model ，HMM），最大熵模型（ME），

条件随机场模型（Conditional Random Fields，CRF）等。

github:https://github.com/fxsjy/jieba

开源中国地址:http://www.oschina.net/p/jieba/?fromerr=LRXZzk9z

特点

在线演示

jiebademo

(Powered by Appfog)

网站代码：https://github.com/fxsjy/jiebademo

安装说明

easy_install jieba

pipinstall jieba

pip3 install jieba

pythonsetup.py install

import jieba

算法

主要功能

1. 分词

jieba.cut

方法接收三个输入参数:

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

方法接收两个参数：

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

jieba.lcut_for_search

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。

# 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))

【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

dict.txt

file_name

创新办 3 i

云计算 5

凱特琳 nz

台中

jieba.dt

mp_dir

cache_file

调整词典

add_word(word, freq=None, tag=None)

del_word(word)

suggest_freq(segment, tune=True)

>>> 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

3. 关键词提取

基于TF-IDF 算法的关键词抽取

import jieba.analyse

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

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

基本思想:

使用示例:

#encoding=utf-8

from __future__ import unicode_literals

import sys

sys.path.append("../")

import jieba

import jieba.posseg

import jieba.analyse

print('='*40)

print('1. 分词')

print('-'*40)

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))

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))

print('='*40)

print('2. 添加自定义词典/调整词典')

print('-'*40)

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(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

print(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

print('='*40)

print('3. 关键词提取')

print('-'*40)

print('TF-IDF')

print('-'*40)

s = "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚置业注册资本由7000万元增加到5亿元。吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年，实现营业收入0万元，实现净利润-139.13万元。"

for x, w in jieba.analyse.extract_tags(s, withWeight=True):

print('%s %s' % (x, w))

print('-'*40)

print('TextRank')

print('-'*40)

for x, w in jieba.analyse.textrank(s, withWeight=True):

print('%s %s' % (x, w))

print('='*40)

print('4. 词性标注')

print('-'*40)

words = jieba.posseg.cut("我爱北京天安门")

for word, flag in words:

print('%s %s' % (word, flag))

print('='*40)

print('6. Tokenize: 返回词语在原文的起止位置')

print('-'*40)

print('默认模式')

print('-'*40)

result = jieba.tokenize('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]))

print('-'*40)

print('搜索模式')

print('-'*40)

result = jieba.tokenize('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]))

Building prefix dict from the default dictionary ...

========================================

1. 分词

----------------------------------------

Loading model from cache C:\Users\ADMINI~1\AppData\Local\Temp\jieba.cache

Full Mode: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学

Loading model cost 1.252 seconds.

Default Mode: 我/ 来到/ 北京/ 清华大学

Prefix dict has been built succesfully.

他, 来到, 了, 网易, 杭研, 大厦

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/调整词典

----------------------------------------

如果/放到/post/中将/出错/。

494

如果/放到/post/中/将/出错/。

「/台/中/」/正确/应该/不会/被/切开

69

「/台中/」/正确/应该/不会/被/切开

========================================

3. 关键词提取

----------------------------------------

TF-IDF

----------------------------------------

欧亚 0.7300142700289363

吉林 0.659038184373617

置业 0.4887134522112766

万元 0.3392722481859574

增资 0.33582401985234045

4.3 0.25435675538085106

7000 0.25435675538085106

2013 0.25435675538085106

139.13 0.25435675538085106

实现 0.19900979900382978

综合体 0.19480309624702127

经营范围 0.19389757253595744

亿元 0.1914421623587234

在建 0.17541884768425534

全资 0.17180164988510638

注册资本 0.1712441526

百货 0.16734460041382979

零售 0.1475057117057447

子公司 0.14596045237787234

营业 0.13920178509021275

----------------------------------------

TextRank

----------------------------------------

吉林 1.0

欧亚 0.9966893354178172

置业 0.6434360313092776

实现 0.5898606692859626

收入 0.43677859947991454

增资 0.4099900531283276

子公司 0.35678295947672795

城市 0.34971383667403655

商业 0.34817220716026936

业务 0.3092230992619838

在建 0.3077929164033088

营业 0.3035777049319588

全资 0.303540981053475

综合体 0.29580869172394825

注册资本 0.29000519464085045

有限公司 0.2807830798576574

零售 0.27883620861218145

百货 0.2781657628445476

开发 0.2693488779295851

经营范围 0.2642762173558316

========================================

4. 词性标注

----------------------------------------

我 r

爱 v

北京 ns

天安门 ns

========================================

6. Tokenize: 返回词语在原文的起止位置

----------------------------------------

默认模式

----------------------------------------

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

----------------------------------------

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

4. 词性标注

jieba.posseg.POSTokenizer(tokenizer=None)

tokenizer

jieba.Tokenizer

jieba.posseg.dt

>>> import jieba.posseg as pseg

>>> words = pseg.cut("我爱北京天安门")

>>> for word, flag in words:

...print('%s %s' % (word, flag))

...

我 r

爱 v

北京 ns

天安门 ns

5. 并行分词

jieba.enable_parallel(4)

jieba.disable_parallel()

import sys

import time

sys.path.append("../../")

import jieba

jieba.enable_parallel()

url = sys.argv[1]

content = open(url,"rb").read()

t1 = time.time()

words = "/ ".join(jieba.cut(content))

t2 = time.time()

tm_cost = t2-t1

log_f = open("1.log","wb")

log_f.write(words.encode('utf-8'))

print('speed %s bytes/second' % (len(content)/tm_cost))

jieba.dt

jieba.posseg.dt

6. Tokenize：返回词语在原文的起止位置

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: 0end:2word 服装start: 2end:4word 饰品start: 4end:6word 有限公司start: 6end:10

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: 0end:2word 服装start: 2end:4word 饰品start: 4end:6word 有限start: 6end:8word 公司start: 8end:10word 有限公司start: 6end:10

7. ChineseAnalyzer for Whoosh 搜索引擎

from jieba.analyse import ChineseAnalyzer

# -*- coding: UTF-8 -*-

from __future__ import unicode_literals

import sys,os

sys.path.append("../")

from whoosh.index import create_in,open_dir

from whoosh.fields import *

from whoosh.qparser import QueryParser

from jieba.analyse import ChineseAnalyzer

analyzer = ChineseAnalyzer()

schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT(stored=True, analyzer=analyzer))

if not os.path.exists("tmp"):

os.mkdir("tmp")

ix = create_in("tmp", schema) # for create new index

#ix = open_dir("tmp") # for read only

writer = ix.writer()

writer.add_document(

title="document1",

path="/a",

content="This is the first document we’ve added!"

)

writer.add_document(

title="document2",

path="/b",

content="The second one 你 中文测试中文 is even more interesting! 吃水果"

)

writer.add_document(

title="document3",

path="/c",

content="买水果然后来世博园。"

)

writer.add_document(

title="document4",

path="/c",

content="工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作"

)

writer.add_document(

title="document4",

path="/c",

content="咱俩交换一下吧。"

)

writer.commit()

searcher = ix.searcher()

parser = QueryParser("content", schema=ix.schema)

for keyword in ("水果世博园","你","first","中文","交换机","交换"):

print("result of ",keyword)

q = parser.parse(keyword)

results = searcher.search(q)

for hit in results:

print(hit.highlights("content"))

print("="*10)

for t in analyzer("我的好朋友是李明;我爱北京天安门;IBM和Microsoft; I have a dream. this is intetesting and interested me a lot"):

print(t.text)

8. 命令行分词

python -m jieba news.txt > cut_result.txt

使用: python -m jieba [options] filename结巴命令行界面。固定参数:filename  输入文件可选参数:-h, --help显示此帮助信息并退出-d [DELIM], --delimiter [DELIM]使用 DELIM 分隔词语，而不是用默认的' / '。若不指定 DELIM，则使用一个空格分隔。-p [DELIM], --pos [DELIM]启用词性标注；如果指定 DELIM，词语和词性之间用它分隔，否则用 _ 分隔-D DICT, --dict DICT  使用 DICT 代替默认词典-u USER_DICT, --user-dict USER_DICT使用 USER_DICT 作为附加词典，与默认词典或自定义词典配合使用-a, --cut-all 全模式分词（不支持词性标注）-n, --no-hmm  不使用隐含马尔可夫模型-q, --quiet   不输出载入信息到 STDERR-V, --version 显示版本信息并退出如果没有指定文件名，则使用标准输入。

--help

$> python -m jieba --helpJieba command line interface.positional arguments:filename  input fileoptional arguments:-h, --helpshow this help message and exit-d [DELIM], --delimiter [DELIM]use DELIM instead of ' / ' for word delimiter; or aspace if it is used without DELIM-p [DELIM], --pos [DELIM]enable POS tagging; if DELIM is specified, use DELIMinstead of '_' for POS delimiter-D DICT, --dict DICT  use DICT as dictionary-u USER_DICT, --user-dict USER_DICTuse USER_DICT together with the default dictionary orDICT (if specified)-a, --cut-all full pattern cutting (ignored with POS tagging)-n, --no-hmm  don't use the Hidden Markov Model-q, --quiet   don't print loading messages to stderr-V, --version show program's version number and exitIf no filename specified, use STDIN instead.

延迟加载机制

import jieba

jieba.Tokenizer()

jieba.set_dictionary('data/dict.txt.big')

#encoding=utf-8

from __future__ import print_function

import sys

sys.path.append("../")

import jieba

def cuttest(test_sent):

result = jieba.cut(test_sent)

print("  ".join(result))

def testcase():

cuttest("这是一个伸手不见五指的黑夜。我叫孙悟空，我爱北京，我爱Python和C++。")

cuttest("我不喜欢日本和服。")

cuttest("雷猴回归人间。")

cuttest("工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作")

cuttest("我需要廉租房")

cuttest("永和服装饰品有限公司")

cuttest("我爱北京天安门")

cuttest("abc")

cuttest("隐马尔可夫")

cuttest("雷猴是个好网站")

if __name__ == "__main__":

testcase()

jieba.set_dictionary("foobar.txt")

print("================================")

testcase()

其他词典

常见问题

1. 模型的数据是如何生成的？

详见： https://github.com/fxsjy/jieba/issues/7[/code] [/code]
2. “台中”总是被切成“台 中”？（以及类似情况）
P(台中) ＜ P(台)×P(中)，“台中”词频不够导致其成词概率较低
解决方法：强制调高词频
jieba.add_word('台中')或者jieba.suggest_freq('台中', True)
[/code]
3. “今天天气 不错”应该被切成“今天 天气 不错”？（以及类似情况）
解决方法：强制调低词频
jieba.suggest_freq(('今天', '天气'), True)
或者直接删除该词jieba.del_word('今天天气')
[/code]
4. 切出了词典中没有的词语，效果不理想？
解决方法：关闭新词发现
jieba.cut('丰田太省了', HMM=False)
jieba.cut('我们中出了一个叛徒', HMM=False)
[/code]部分转载：http://blog.csdn.net/john_xyz/article/details/54645527