jieba 分词
中文分词的工具有很多种，例如HanLP、jieba分词、FudanNLP、LTP、THULAC、NLPIR等，这些都是开源的分词工具，大多支持Java、C++、Python，本文对基于python的jieba分词的使用作出具体介绍。
三种模式
jieba分词支持三种分词模式：
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。
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 来引用就可以了
安装jieba
将其解压到任意目录下，然后打开命令行进入该目录，找到setup.py所在的位置，执行：python setup.py install 进行 安装
安装完成后，进入python交互环境，输入import jieba 如果没有报错，则说明安装成功。
分词
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
例子
#下面是jieba三种分词的模式
# encoding=utf-8
import jieba
seg_list = jieba.cut("真正的大师，永远都怀着一颗学徒的心", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list)) # 全模式
seg_list = jieba.cut("《西游记》是中国古代第一部浪漫主义章回体长篇神魔小说。", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list)) # 精确模式
seg_list = jieba.cut("我在汉中，我是昆钢小霸王") # 默认是精确模式，这里的“昆钢小霸王”并没有在词典中，但是也被Viterbi算法识别出来了
print("new word:"+", ".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("Search Mode:"+", ".join(seg_list))
我们可以自定义词典
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。
#下面是jieba三种分词的模式
# encoding=utf-8
import jieba
jieba.load_userdict("mydict.txt")
seg_list = jieba.cut("真正的大师，永远都怀着一颗学徒的心", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list)) # 全模式
seg_list = jieba.cut("《西游记》是中国古代第一部浪漫主义章回体长篇神魔小说。", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list)) # 精确模式
seg_list = jieba.cut("我在汉中，我是昆钢小霸王") # 默认是精确模式，这里的“昆钢小霸王”并没有在词典中，但是也被Viterbi算法识别出来了
print("new word:"+", ".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("Search Mode:"+", ".join(seg_list))
