结巴分词

   Python中分分词工具很多，包括盘古分词、Yaha分词、Jieba分词、清华THULAC等，“结巴”中文分词目标是做最好的 Python 中文分词组件。

    jieba分词主要是基于统计词典，构造一个前缀词典；然后利用前缀词典对输入句子进行切分，得到所有的切分可能，根据切分位置，构造一个有向无环图；通过动态规划算法，计算得到最大概率路径，也就得到了最终的切分形式。

• 基于前缀词典实现高效的词图扫描，生成了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路径概率，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

以“去北京大学玩”为例，作为待分词的输入文本。

离线统计的词典形式如下，每一行有三列，第一列是词，第二列是词频，第三列是词性。

...
北京大学 2053 nt
大学 20025 n
去 123402 v
玩 4207 v
北京 34488 ns
北 17860 ns
京 6583 ns
大 144099 a
学 17482 n

 1.前缀词典构建：如统计词典中的词“北京大学”的前缀分别是“北”、“北京”、“北京大”；词“大学”的前缀是“大”。

 2.有向无环图构建：然后基于前缀词典，对输入文本进行切分，对于“去”，没有前缀，那么就只有一种划分方式；对于“北”，则有“北”、“北京”、“北京大学”三种划分方式；对于“京”，也只有一种划分方式；对于“大”，则有“大”、“大学”两种划分方式，依次类推，可以得到每个字开始的前缀词的划分方式。

 

一.特点
1、支持三种分词模式

    精确模式，试图将句子最精确的切开；

    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。

2、支持繁体分词

3、支持自定义词典

4、MIT授权协议

二.安装说明
代码对Python 2/3 均兼容

全自动安装：easy_install jieba 或者 pip install jieba / pip3 install jieba
半自动安装：先下载 http://pypi.python.org/pypi/jieba/ ，解压后运行 python setup.py install
手动安装：将jieba目录放置于当前目录或者site-packages目录
通过import jieba 来引用

 

三、jieba 分词

结巴中文分词支持的三种分词模式包括： 
(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，但是不能解决歧义问题； 
(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。
1、第一步首先引入 jieba 和语料:

import jieba
import jieba.posseg as psg #通过 jieba.posseg 模块实现词性标注
content = "我在西南石油大学图书馆学习"

2、精确分词

#精确分词：精确模式试图将句子最精确地切开，精确分词也是默认分词。
segs_1 = jieba.cut(content, cut_all=False)
print("/".join(segs_1))

我/在/西南/石油大学/图书馆/学习

3、全模式

#全模式分词：把句子中所有的可能是词语的都扫描出来，速度非常快，但不能解决歧义。
segs_3 = jieba.cut(content, cut_all=True)
print("/".join(segs_3))

我/在/西南/石油/石油大学/大学/图书/图书馆/图书馆学/书馆/学习

4、搜索引擎模式

#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。
segs_4 = jieba.cut_for_search(content)
print("/".join(segs_4))

我/在/西南/石油/大学/石油大学/图书/书馆/图书馆/学习

5、lcut 生成 list

segs_5 = jieba.lcut(content)
print(segs_5)
print([(x.word,x.flag) for x in psg.lcut(content)])

['我', '在', '西南', '石油大学', '图书馆', '学习']
 

6、获取词性

print([(x.word,x.flag) for x in psg.lcut(content)])

[('我', 'r'), ('在', 'p'), ('西南', 'ns'), ('石油大学', 'nt'), ('图书馆', 'n'), ('学习', 'v')]

7、自定义添加词和字典

默认情况下，使用默认分词，是识别不出这句话中的“犀利哥”这个新词，这里使用用户字典提高分词准确性。

  content = "犀利哥在西南石油大学图书馆学习"
   
结果为：

犀利/哥/在/西南/石油大学/图书馆/学习
犀利/哥/在/西南/石油/石油大学/大学/图书/图书馆/图书馆学/书馆/学习
犀利/哥/在/西南/石油/大学/石油大学/图书/书馆/图书馆/学习

如果添加一个词到字典，看结果就不一样了。

import jieba
import jieba.posseg as psg#通过 jieba.posseg 模块实现词性标注
jieba.add_word("犀利哥")
content = "犀利哥在西南石油大学图书馆学习"
#精确分词：精确模式试图将句子最精确地切开，精确分词也是默认分词。
segs_1 = jieba.cut(content, cut_all=False)
print("/".join(segs_1))
#全模式分词：把句子中所有的可能是词语的都扫描出来，速度非常快，但不能解决歧义。
segs_3 = jieba.cut(content, cut_all=True)
print("/".join(segs_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。
segs_4 = jieba.cut_for_search(content)
print("/".join(segs_4))
segs_5 = jieba.lcut(content)
print(segs_5)
print([(x.word,x.flag) for x in psg.lcut(content)])

结果为：

犀利哥/在/西南/石油大学/图书馆/学习
犀利/犀利哥/在/西南/石油/石油大学/大学/图书/图书馆/图书馆学/书馆/学习
犀利/犀利哥/在/西南/石油/大学/石油大学/图书/书馆/图书馆/学习
['犀利哥', '在', '西南', '石油大学', '图书馆', '学习']
[('犀利哥', 'x'), ('在', 'p'), ('西南', 'ns'), ('石油大学', 'nt'), ('图书馆', 'n'), ('学习', 'v')]

但是，如果要添加很多个词，一个个添加效率就不够高了，这时候可以定义一个文件，然后通过 load_userdict()函数，加载自定义词典，如下：

    jieba.load_userdict('user_dict.txt')
    print(jieba.lcut(txt))