【GitHub地址】https://github.com/fxsjy/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
-
MIT 授权协议
安装说明
代码对 Python 2/3 均兼容
- 全自动安装:
easy_install jieba
或者pip install jieba
/pip3 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
下载压缩包,解压至E:\software\python\anaconda\pkgs\jieba-0.39
打开Anaconda Prompt,输入e:,cd至以上文件夹
输入dir,可以看到该文件夹内有setup.py这一安装文件,输入python setup.py install
主要功能
- 分词
seg_list = jieba.cut("我来到北京清华大学", cut_all=True) # 全模式
print("Full Mode: " + "/ ".join(seg_list))
seg_list = jieba.cut("我来到北京清华大学", cut_all=False) # 精确模式
print("Default Mode: " + "/ ".join(seg_list))
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
【默认精确】: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
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 listjieba.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。
import os
filelist = []
path = 'E:/work/92lucky/开发事宜/大数据平台/5. 标签设计/文本测试数据/微博/'
for filename in os.listdir(path):
filestr = open(path + filename, encoding='UTF-8').read()
filelist.append(filestr)
seg_list = jieba.cut(filelist[0], cut_all=False)
#seg_list = jieba.cut_for_search(filelist[0]) # 搜索引擎模式
, 【, #, 我, 有, 特别, 的, 推倒, 技巧, #, 之, 佟, 掌柜, 收, 李逍遥, 】, @, 胡歌, , 此前, 对南, 都, 称, ,, “, 我要, 海陆空, 三栖, ”, ,, 可是, 还, 没, 等, 他, 征服, 海陆空, 呢, ,, @, 素描, 闫妮, , 就, 把, 他, 先收, 了, …, …, 他俩, 主演, 的, 电视剧, 《, 生活, 启示录, 》, 收视率, 稳居, 卫视, 黄金档, 排行, 第, 1, 名, ,, 在, 豆瓣, 甚至, 被, 刷, 到, 了, 8, , ., 6, 的, 高分, 。, 佟, 掌柜, 是, 怎么, 推倒, 李逍遥, 而, 又, 不, 违, 和, 的, ?, http, :, /, /, t, ., cn, /, Rvbj6oy
- 添加自定义词典
#下载https://github.com/fxsjy/jieba/blob/master/test/userdict.txt到工程
#SyntaxError: from __future__ imports must occur at the beginning of the file
#from __future__ import print_function, unicode_literals
jieba.load_userdict("userdict.txt") #在此文件中将韩玉赏鉴 3 nz删除,则分词时韩玉赏鉴会分为韩玉和赏鉴
jieba.add_word('石墨烯') #将此行注释掉,则分词时会分成石墨和烯
jieba.add_word('凱特琳')
jieba.del_word('自定义词') #此句会促使自定义/词库的划分
test_sent = (
"李小福是创新办主任也是云计算方面的专家; 什么是八一双鹿\n"
"例如我输入一个带“韩玉赏鉴”的标题,在自定义词库中也增加了此词为N类\n"
"「台中」正確應該不會被切開。mac上可分出「石墨烯」;此時又可以分出來凱特琳了。"
)
words = jieba.cut(test_sent)
print('/'.join(words))
李小福/是/创新办/主任/也/是/云计算/方面/的/专家/;/ /什么/是/八一双鹿/
/例如/我/输入/一个/带/“/韩玉赏鉴/”/的/标题/,/在/自定义/词库/中/也/增加/了/此/词为/N/类/
/「/台中/」/正確/應該/不會/被/切開/。/mac/上/可/分出/「/石墨烯/」/;/此時/又/可以/分出/來/凱特琳/了/。
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。
-
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。
#工程下创建userdict2.txt,增加佟掌柜、南都、生活启示录、第1名、违和
jieba.load_userdict("userdict2.txt")
seg_list = jieba.cut(filelist[0], cut_all=False)
print(", ".join(seg_list))
, 【, #, 我, 有, 特别, 的, 推倒, 技巧, #, 之, 佟掌柜, 收, 李逍遥, 】, @, 胡歌, , 此前, 对, 南都, 称, ,, “, 我要, 海陆空, 三栖, ”, ,, 可是, 还, 没, 等, 他, 征服, 海陆空, 呢, ,, @, 素描, 闫妮, , 就, 把, 他, 先收, 了, …, …, 他俩, 主演, 的, 电视剧, 《, 生活启示录, 》, 收视率, 稳居, 卫视, 黄金档, 排行, 第1名, ,, 在, 豆瓣, 甚至, 被, 刷, 到, 了, 8, , ., 6, 的, 高分, 。, 佟掌柜, 是, 怎么, 推倒, 李逍遥, 而, 又, 不, 违和, 的, ?, http, :, /, /, t, ., cn, /, Rvbj6oy
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)))
#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
jieba.suggest_freq(('中', '将'), 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/。
如果/放到/post/中/将/出错/。
- "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
- 关键词提取
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
['李逍遥', '海陆空', '推倒', '掌柜', '黄金档', '胡歌', '对南', '我要', '三栖', '闫妮', '先收', 'http', 'cn', 'Rvbj6oy', '豆瓣', '启示录', '收视率', '卫视', '高分', '稳居']
import jieba.analyse
jieba.load_userdict("userdict2.txt") #未使用自定义词典时,自动选取出来的特征如上
taglist = jieba.analyse.extract_tags(filelist[0], topK=20, withWeight=False, allowPOS=())
print(taglist)
['佟掌柜', '李逍遥', '海陆空', '推倒', '黄金档', '违和', '胡歌', '我要', '三栖', '闫妮', '先收', '生活启示录', '第1名', 'http', 'cn', 'Rvbj6oy', '豆瓣', '南都', '收视率', '卫视']
- jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例,idf_path 为 IDF 频率文件
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
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
- 词性标注
jieba.posseg.POSTokenizer(tokenizer=None)
新建自定义分词器,tokenizer
参数可指定内部使用的jieba.Tokenizer
分词器。jieba.posseg.dt
为默认词性标注分词器。- 标注句子分词后每个词的词性,采用和 ictclas 兼容的标记法。
import jieba.posseg as pseg #词性标注
result = pseg.cut(test_sent)
for w in result:
print(w.word, w.flag)
李小福 nr
是 v
创新办 i
主任 b
也 d
是 v
云计算 x
方面 n
的 uj
专家 n
其他词典
-
占用内存较小的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small
-
支持繁体分词更好的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big
下载你所需要的词典,然后覆盖 jieba/dict.txt 即可;或者用 jieba.set_dictionary('data/dict.txt.big')