jieba分词源码分析

jieba是一个开源的中文分词库。

特点

• 三种分词模式：
  a、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；
  b、精确模式，试图将句子最精确地切开，适合文本分析；
  c、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。
• 支持繁体分词
• 支持自定义词典
• MIT 授权协议

算法

• 基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)
• 采用了动态规划查找最大概率路径,找出基于词频的最大切分组合
• 对于未登录词，采用了基于汉字成词能力的 HMM 模型，使用了 Viterbi 算法

目录说明

• analyse：几个提取文本关键词算法的实现
• posseg：自定义词典
• init.py：jieba分词的入口
• _compat.py：
• dict.txt：总的词库，记录一个词、词频和词性
• test：测试demo

分词

• jieba.cut()需要输入三个参数，sentence一个句子； cut_all 是否使用全模式；HMM是否使用HMM模型
• jieba.cut_for_search()需要输入两个参数，sentence一个句子； HMM是否使用HMM模型
• jieba.cut()和jieba.cut_for_search()返回的数据结构都是一个generator(生成器)，因其函数中使用yield关键字
• jieba.lcut()和jieba.lcut_for_search()直接调用对应的cut方法，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。

# 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

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

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))

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))

输出结果：

【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学

【精确模式】: 我/ 来到/ 北京/ 清华大学

【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)

【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