前の章では説明した接頭辞辞書についてjiebaワードの前に建物を、章では、メインjiebaを紹介：jieba.cut。
フルモード、ファインモード、検索モード：jiebaワードは3つのモードがあります。検索エンジンのモードを達成jieba.cutフルモードと正確なモードがcut_for_search対応し、3-キャッチHMMのパラメータは、新しい単語認識するかどうかによって決定することができます。公式の例：
# encoding=utf-8
import jieba
seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list)) # 全模式
# 【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list)) # 精确模式
# 【精确模式】: 我/ 来到/ 北京/ 清华大学
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))
# 【新词识别】：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)
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))
# 【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
Wordの主な機能
def cut(self, sentence, cut_all=False, HMM=True):
'''
jieba分词主函数，返回generator
参数:
- sentence: 待切分文本.
- cut_all: 切分模式. True 全模式, False 精确模式.
- HMM: 是否使用隐式马尔科夫.
'''
sentence = strdecode(sentence) # sentence转unicode
if cut_all:
# re_han_cut_all = re.compile("([\u4E00-\u9FD5]+)", re.U)
re_han = re_han_cut_all
# re_skip_cut_all = re.compile("[^a-zA-Z0-9+#\n]", re.U)
re_skip = re_skip_cut_all
else:
# re_han_default = re.compile("([\u4E00-\u9FD5a-zA-Z0-9+#&\._%]+)", re.U)
re_han = re_han_default
# re_skip_default = re.compile("(\r\n|\s)", re.U)
re_skip = re_skip_default
if cut_all:
cut_block = self.__cut_all # cut_all=True, HMM=True or False
elif HMM:
cut_block = self.__cut_DAG # cut_all=False, HMM=True
else:
cut_block = self.__cut_DAG_NO_HMM # cut_all=False, HMM=False
blocks = re_han.split(sentence)
for blk in blocks:
if not blk:
continue
if re_han.match(blk): # 符合re_han匹配的串
for word in cut_block(blk):
yield word
else:
tmp = re_skip.split(blk)
for x in tmp:
if re_skip.match(x):
yield x
elif not cut_all:
for xx in x:
yield xx
else:
yield x各ワードは、反復戻りjieba.cut発生器は、（得られた単語の後に得られたループのために使用することができることがわかるjieba.lcut結果単語リストによって直接戻すことができます）。
- cut_all =真、HMM = _フルモードに対応し、辞書内の単語のすべての発生が出てスライスされ、すなわち、実装機能__cut_all。
- cut_all = Falseのは、HMM = Falseがファインモードを使用することなく、HMMに対応し、最大単語の組み合わせを見つけるためにプレスユニグラムグラム結合確率、機能を達成するために__cut_DAG。
- cut_all =偽、HMM =精密モードに対応するHMMを用いて、真の、単語の組み合わせに基づいて、最大同時確率は、HMMは未知語、__cut_DAG_NO_HMM実現される機能を特定します。
def __cut_DAG_NO_HMM(self, sentence):
DAG = self.get_DAG(sentence) # 构建有向无环图
route = {}
self.calc(sentence, DAG, route) # 动态规划计算最短路
x = 0
N = len(sentence)
buf = ''
while x < N:
y = route[x][1] + 1
l_word = sentence[x:y]
if re_eng.match(l_word) and len(l_word) == 1:
buf += l_word
x = y
else:
if buf:
yield buf
buf = ''
yield l_word
x = y
if buf:
yield buf
buf = ''