1. 简介
jieba库对中文分词的支持性较好,将文本分成粒度更细的词。详细介绍参见jieba。
2. 基本分词函数
jieba.cut
以及 jieba.cut_for_search
返回的结构都是一个可迭代的 generator。
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
jieba.lcut
以及jieba.lcut_for_search
直接返回 list。
3. 添加用户自定义字典
因为专业需要,我们可以预先指定需要进行分词的词汇。
jieba.load_userdict(file_name)
加载用户字典- 少量的词汇可以自己用下面方法手动添加:
jieba.add_word(word, freq=None, tag=None)
和jieba.del_word(word)
在程序中动态修改词典
jieba.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。
4. 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
- 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
jieba.analyse.set_idf_path(file_name)
# file_name为自定义语料库的路径
- 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
jieba.analyse.set_stop_words(file_name)
# file_name为自定义语料库的路径
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
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
5. 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。
- 具体的词性对照表参见计算所汉语词性标记集
>>> 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
6. Tokenize:返回词语在原文的起止位置
- 注意,输入参数只接受 unicode
- 默认模式
- 搜索模式
7. 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')