jieba分词器的使用指南

最新推荐文章于 2024-06-19 17:25:40 发布

Gerry_RedBean

最新推荐文章于 2024-06-19 17:25:40 发布

阅读量830

点赞数

文章标签： NLP jieba

本文链接：https://blog.csdn.net/GK_SBB/article/details/91442303

版权

jieba中文处理

1. 基本分词函数和用法

jieba.cut和jieba.cut_for_search返回的结构都是一个可迭代的generator，可以使用for循环来获得分词后的每一个词语(unicode)
(1)jieba.cut方法接受三个输入参数**

需要分析的字符串
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

(2) 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索引的分析，粒度比较细

#encoding=utf-8
import jieba
seg_list = jieba.cut("我在学习自然语言处理",cut_all=True)
print(seg_list)
print("Full Mode:"+"/".join(seg_list)) #全模式

Full Mode:我/在/学习/自然/自然语言/语言/处理

seg_list = jieba.cut("他毕业于上海交通大学，在百度深度学习研究院进行研究",cut_all=False)
print("Default Mode:"+"/".join(seg_list)) #精确模式

Default Mode:他/毕业/于/上海交通大学/，/在/百度/深度/学习/研究院/进行/研究

seg_list = jieba.cut("他毕业于上海交通大学，在百度深度学习研究院进行研究") #默认采用的是精确模式
print("Default Mode:"+"/".join(seg_list)) #精确模式

Default Mode:他/毕业/于/上海交通大学/，/在/百度/深度/学习/研究院/进行/研究

#搜索引擎模式
seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")
print("/".join(seg_list))

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/哈佛/大学/哈佛大学/深造

jieba.lcut和jieba.lcut_for_search直接返回list

result_lcut = jieba.lcut("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")
print(result_lcut)
print(" ".join(result_lcut))
print(" ".join(jieba.lcut_for_search("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")))

[‘小明’, ‘硕士’, ‘毕业’, ‘于’, ‘中国科学院’, ‘计算所’, ‘，’, ‘后’, ‘在’, ‘哈佛大学’, ‘深造’]
小明硕士毕业于中国科学院计算所，后在哈佛大学深造
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，后在哈佛大学哈佛大学深造

添加用户自定义字典

很多时候我们需要针对自己的场景进行分词，会有一些领域内的专有词汇。
1. 可以使用jieba.load_userdict(file_name)加载用户字典
2. 少量的词汇可以自己用下面方法实现

用add_word(word,freq=None,tag=none)和del_word(word)在程序中修改字典
用suggest_freq(segment,tune=True)可以调节单个词语的词频，使其能或者不能被分出来。

print('/'.join(jieba.cut("如果放到旧字典中将出错。",HMM=False)))

如果/放到/旧/字典/中将/出错/。

jieba.suggest_freq(('中','将'),True)
print('/'.join(jieba.cut("如果放到旧字典中将出错。",HMM=False)))

如果/放到/旧/字典/中/将/出错/。

关键词提取

1.基于TF-IDF算法的关键词提取
import jieba.analyse

jieba.analyse.extract_tags(sentence,topK=20,withWeight=False,allowPOS=())
sentence为待提取的文本
topK为返回的几个TF/IDF权重的关键词，默认值为20
withWeight为是否一并返回关键词权重，默认值为False
allowPOS仅包括指定词性的词，默认是空，即不筛选

import jieba.analyse as analyse
lines = open('NBA.txt',encoding="utf-8").read()
print(" ".join(analyse.extract_tags(lines,topK=20,withWeight=False,allowPOS=())))

韦少杜兰特全明星全明星赛 MVP 威少正赛科尔投篮勇士球员斯布鲁克更衣柜 NBA 三连庄张卫平西部指导雷霆明星队
2. 基于TextRank算法的关键词提取

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：
* 将待抽取关键词的文本进行分词
* 以固定窗口大小(默认是5，通过span属性调整)，词之间的共线关系，构建图
* 计算图中节点的PageRank，注意是无向带权图

print(" ".join(analyse.textrank(lines,topK=20,withWeight=False,allowPOS=('ns','n','vn','v'))))

全明星赛勇士正赛指导对方投篮球员没有出现时间威少认为看来结果相隔助攻现场三连庄介绍嘉宾

print("  ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=('ns', 'n'))))

勇士正赛全明星赛指导投篮玩命时间对方现场结果球员嘉宾时候全队主持人照片全程目标快船队肥皂剧

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计算所汉语词性标记集
http://ictclas.nlpir.org/nlpir/html/readme.htm

import jieba.posseg as pseg
words = pseg.cut("我爱自然语言")
for word,flag in words:
    print('%s %s'%(word,flag))

我 r
爱 v
自然语言 l

并行分词

原理：将目标文本按行分隔后，把各个文本分配到多个Python进程并行分词，然后归并结果，从而获得分词速度的客观提升，基于Python自带的multiprocessing模块，目标不支持Windows
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'4447.txt',encoding='utf-8').read()
t1 = time.time()
words = "/".join(jieba.cut(content))
t2 = time.time()
time_cost = t2-t1
print('并行分词速度为 %s bytes/second' % (len(content)/time_cost))
jieba.disable_parallel()
words = "/".join(jieba.cut(content))
t2 = time.time()
time_cost = t2-t1
print('非并行分词速度为 %s bytes/second' % (len(content)/time_cost))

并行分词速度为 703507.731299789 bytes/second
非并行分词速度为 175271.90500089942 bytes/second

Tokenize:返回词语在原文中的起始位置

注意：输入参数只接收unicode

print("这是默认模式的tokenize")
result = jieba.tokenize(u'自然语言处理非常有用')
for tk in result:
    print("%s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

print("\n-----------我是神奇的分割线------------\n")

print("这是搜索模式的tokenize")
result = jieba.tokenize(u'自然语言处理非常有用', mode='search')
for tk in result:
    print("%s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

这是默认模式的tokenize
自然语言 start: 0 end:4
处理 start: 4 end:6
非常 start: 6 end:8
有用 start: 8 end:10

-----------我是神奇的分割线------------

这是搜索模式的tokenize
自然 start: 0 end:2
语言 start: 2 end:4
自然语言 start: 0 end:4
处理 start: 4 end:6
非常 start: 6 end:8
有用 start: 8 end:10

ChineseAnalyzer for Whoosh 搜索引擎

# -*- coding: UTF-8 -*-
from __future__ import unicode_literals
import sys,os
sys.path.append("../")
from whoosh.index import create_in,open_dir
from whoosh.fields import *
from whoosh.qparser import QueryParser
from jieba.analyse import ChineseAnalyzer

analyzer = ChineseAnalyzer()
schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT(stored=True, analyzer=analyzer))
    
if not os.path.exists("tmp"):
    os.mkdir("tmp")

ix = create_in("tmp", schema) # for create new index
#ix = open_dir("tmp") # for read only
writer = ix.writer()

writer.add_document(
    title="document1",
    path="/a",
    content="This is the first document we’ve added!"
)

writer.add_document(
    title="document2",
    path="/b",
    content="The second one 你 中文测试中文 is even more interesting! 吃水果"
)

writer.add_document(
    title="document3",
    path="/c",
    content="买水果然后来世博园。"
)

writer.add_document(
    title="document4",
    path="/c",
    content="工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作"
)

writer.add_document(
    title="document4",
    path="/c",
    content="咱俩交换一下吧。"
)

writer.commit()
searcher = ix.searcher()
parser = QueryParser("content", schema=ix.schema)

for keyword in ("水果世博园","你","first","中文","交换机","交换"):
    print(keyword+"的结果为如下：")
    q = parser.parse(keyword)
    results = searcher.search(q)
    for hit in results:
        print(hit.highlights("content"))
    print("\n--------------我是神奇的分割线--------------\n")

for t in analyzer("我的好朋友是李明;我爱北京天安门;IBM和Microsoft; I have a dream. this is intetesting and interested me a lot"):
    print(t.text)

Building prefix dict from the default dictionary …
Loading model from cache /tmp/jieba.cache
Loading model cost 0.514 seconds.
Prefix dict has been built succesfully.

水果世博园的结果为如下：
买水果然后来世博园