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
--------------我是神奇的分割线--------------
你的结果为如下:
second one 你 中文测试中文 is even more interesting
--------------我是神奇的分割线--------------
first的结果为如下:
first document we’ve added
--------------我是神奇的分割线--------------
的结果为如下:
second one 你 中文测试中文 is even more interesting
--------------我是神奇的分割线--------------
交换机的结果为如下:
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
--------------我是神奇的分割线--------------
交换的结果为如下:
咱俩交换一下吧
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
--------------我是神奇的分割线--------------
我
好
朋友
是
李明
我
爱
北京
天安
天安门
ibm
microsoft
dream
intetest
interest
me
lot