【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 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。

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')

【NLP】Jieba中文分词

特点