目录
简介
jieba 是目前最好的 Python 中文分词组件，它主要有以下 3 种特性：
1.支持 3 种分词模式：
1） 精确模式：试图将句子最精确地切开，适合文本分析；
2） 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；
3） 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。
2.支持繁体分词
3.支持自定义词典
# 导入 jieba
import jieba
import jieba.posseg as pseg #词性标注
import jieba.analyse as anls #关键词提取
算法
1.基于Trie树结构实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图（DAG)
2.采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
3.对于未登录词，采用了基于汉字成词能力的HMM模型，使用了Viterbi算法
功能1：分词
jieba.cut方法接受两个输入参数: 1) 第一个参数为需要分词的字符串 2）cut_all参数用来控制是否采用全模式
jieba.cut_for_search方法接受一个参数：需要分词的字符串,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
注意：待分词的字符串可以是gbk字符串、utf-8字符串或者unicode
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)，也可以用list(jieba.cut(…))转化为list
import jieba
seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print("全模式：", "/ ".join(seg_list))
seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("精确模式:", "/ ".join(seg_list))# 默认是精确模式
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("搜索引擎模式：","/".join(seg_list))
输出：
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
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
功能2：添加自定义词典
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为自定义词典的路径
词典格式：一个词占一行；每一行分三部分:词语+词频+词性（可省略），用空格隔开
示例：
1.自定义词典：
云计算 5
李小福 2 nr
创新办 3 i
easy_install 3 eng
好用 300
韩玉赏鉴 3 nz
八一双鹿 3 nz
台中
凱特琳 nz
Edu Trust认证 2000
2.运行
import jieba
jieba.load_userdict(r"C:\Users\lenovo\Desktop\qwe.txt")
test_sent=("李小福是创新办主任也是云计算方面的专家")
words = jieba.cut(test_sent)
print('/'.join(words))
运行结果：
李小福/是/创新办/主任/也/是/云计算/方面/的/专家
若删去自定义词典：
李小福/是/创新/办/主任/也/是/云/计算/方面/的/专家
功能3：关键词提取
1）基于TF-IDF的关键词提取
TF-IDF(Term Frequency-Inverse Document Frequency, 词频-逆文件频率)是一种统计方法，用以评估一个词语对于一个文件集或一个语料库中的一份文件的重要程度，其原理可概括为：
一个词语在一篇文章中出现次数越多，同时在所有文档中出现次数越少，越能够代表该文章
计算公式：TF-IDF = TF * IDF，其中：
TF(term frequency, TF)：词频，某一个给定的词语在该文件中出现的次数，计算公式：
IDF(inverse document frequency, IDF)：逆文件频率，如果包含词条的文件越少，则说明词条具有很好的类别区分能力，计算公式：
具体使用方法：
import jieba.analyse as analyse
通过 jieba.analyse.extract_tags 方法可以基于 TF-IDF 算法进行关键词提取，该方法共有 4 个参数：
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：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
示例：
import jieba
import jieba.analyse as analyse
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, topK=20, withWeight=True):
print('%s %s' % (x, w))
运行结果：
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
额外补充：
1.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
2.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
jieba.analyse.set_idf_path("idf.txt.big");
jieba.analyse.set_stop_words("stop_words.txt")
2）基于TextRank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:
1.将待抽取关键词的文本进行分词
2.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
3.计算图中节点的PageRank，注意是无向带权图
import jieba
import jieba.analyse as analyse
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。"
print(" ".join(analyse.textrank(s, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))))
吉林 欧亚 置业 实现 收入 增资 子公司 城市 商业 业务 在建 营业 全资 综合体 注册资本 有限公司 零售 百货 开发 经营范围
功能4：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汉语词性标记集
示例：
import jieba.posseg as pseg
words = pseg.cut("我今天心情不错")
for word, flag in words:
print('%s %s' % (word, flag))
输出结果：
今天 t
心情 n
不错 a
功能5：并行分词
将目标文本按行分隔后，把各行文本分配到多个 Python 进程并行分词，然后归并结果，从而获得分词速度的可观提升。用法：
jieba.enable_parallel(4)：开启并行分词模式，参数为并行进程数
jieba.disable_parallel() ：关闭并行分词模式
实验结果：在 4 核 3.4GHz Linux 机器上，对金庸全集进行精确分词，获得了 1MB/s 的速度，是单进程版的 3.3 倍。
注意：并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。
import sys
import time
import jieba
jieba.enable_parallel()
content = open(u'西游记.txt',"r").read()
t1 = time.time()
words = "/ ".join(jieba.cut(content))
t2 = time.time()
tm_cost = t2-t1
print('并行分词速度为 %s bytes/second' % (len(content)/tm_cost))
jieba.disable_parallel()
content = open(u'西游记.txt',"r").read()
t1 = time.time()
words = "/ ".join(jieba.cut(content))
t2 = time.time()
tm_cost = t2-t1
print('非并行分词速度为 %s bytes/second' % (len(content)/tm_cost))
功能6：返回词语在原文的起始位置
jieba.tokenize 可以返回词语在原文的起止位置
注意：输入参数只接受unicode
示例：
import jieba
result = jieba.tokenize(u'返回词语在原文的起止位置')//搜索模式：result = jieba.tokenize(u'返回词语在原文的起止位置', mode='search')
print("【普通模式】")
for tk in result:
print("word: {0} \t\t start: {1} \t\t end: {2}".format(tk[0],tk[1],tk[2]))
输出结果：
word: 词语 start: 2 end: 4
word: 在 start: 4 end: 5
word: 原文 start: 5 end: 7
word: 的 start: 7 end: 8
word: 起止 start: 8 end: 10
word: 位置 start: 10 end: 12