Jieba库对中文分词的支持下较好,将文本分成粒度更细的词。
一、 特点
(一)支持三种分词模式:
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。
(二)支持繁体分词
(三)支持自定义分词
(四)MIT授权协议
二、 主要功能
1、 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