==================================================================
一、说明:
1、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。
2、支持繁体分词
3、支持自定义词典
4、MIT 授权协议
-----------------------------------------------------------------------------------------------------------------
二、主功能:
1、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,否则为精确模式;
HMM 参数用来控制是否使用 HMM 模型。
2、jieba.cut_for_search 方法接受两个参数(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):
需要分词的字符串;
是否使用 HMM 模型;
PS: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;
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。
-----------------------------------------------------------------------------------------------------------------
三、添加自定义字典:
1、用法:
jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径;
2、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。
-----------------------------------------------------------------------------------------------------------------
四、调整词典:
1、使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典;
2、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;
PS:注意:自动计算的词频在使用 HMM 新词发现功能时可能无效。
-----------------------------------------------------------------------------------------------------------------
五、基于 TF-IDF 算法的关键词抽取:
1、导入:import jieba.analyse
2、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;
3、jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例,idf_path 为 IDF 频率文件;
-----------------------------------------------------------------------------------------------------------------
六、基于 TextRank 算法的关键词抽取
1、jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) ;
2、直接使用,接口相同,注意默认过滤词性;
3、jieba.analyse.TextRank() 新建自定义 TextRank 实例
-----------------------------------------------------------------------------------------------------------------
未完待续 . . . . . .