In [1]: import jieba
In [2]: a = jieba.cut("我来到了清华大学",cut_all=True)
In [3]: a
Out[3]: <generator object Tokenizer.cut at 0x000001E8E9CBFDB0>
In [4]: list(a)
Building prefix dict from the default dictionary ...
Dumping model to file cache C:\Users\rHotD\AppData\Local\Temp\jieba.cache
Loading model cost 0.985 seconds.
Prefix dict has been built succesfully.
Out[4]: ['我', '来到', '了', '清华', '清华大学', '华大', '大学']
In [5]: a = jieba.cut("我来到了清华大学",cut_all=False)
In [6]: list(a)
Out[6]: ['我', '来到', '了', '清华大学']
In [7]: a = jieba.cut("我来到了清华大学")
In [8]: list(a)
Out[8]: ['我', '来到', '了', '清华大学']
In [9]: a = jieba.cut("花儿为什么这样红,你为啥这么美")
In [10]: list(a)
Out[10]: ['花儿', '为什么', '这样', '红', ',', '你', '为啥', '这么', '美']
In [11]: a = jieba.lcut("花儿为什么这样红,你为啥这么美")
In [12]: a
Out[12]: ['花儿', '为什么', '这样', '红', ',', '你', '为啥', '这么', '美']
- 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。
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。