文章目录
前言
jieba是目前python中文分词组件中最好的,安装如下:
pip install jieba -i https://pypi.tuna.tsinghua.edu.cn/simple
引用通过:import jieba
一、jieba分词
概述:
- 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
(一)特点
- 支持四种分词模式:
模式 | 特点 |
---|---|
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 |
paddle模式 | 利用PaddlePaddle深度学习框架,训练序列标注(双向GRU)网络模型实现分词。同时支持词性标注 |
注:paddle模式使用需安装paddlepaddle-tiny,pip install paddlepaddle-tiny==1.6.1。目前paddle模式支持jieba v0.40及以上版本。jieba v0.40以下版本,请升级jieba: pip install jieba --upgrade 。 PaddlePaddle官网.
- 支持繁体分词
- 支持自定义词典
- MIT 授权协议
(二)主要功能
1.分词
jieba.cut方法:返回的结构都是一个可迭代的 generator,可使用 for 循环来获得分词后得到的每一个词语(unicode)。
接受四个参数:
- 需要分词的字符串
- cut_all 参数:是否使用全模式,默认值为 False
- HMM 参数:用来控制是否使用 HMM 模型,默认值为 True
- use_paddle 参数:用来控制是否使用paddle模式下的分词模式
jieba.cut_for_search 方法:接受两个参数,适合用于搜索引擎构建倒排索引的分词,粒度比较细。
- 需要分词的字符串;
- 否使用 HMM 模型,默认值为 True。
jieba.lcut方法:直接返回 list。接受参数与jieba.cut方法一样。
**jieba.lcut_for_search 方法 **:直接返回 list,接受参数与jieba.cut_for_search方法一样。
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。
例子:
import jieba
#精确模式 试图将句子最精确地切开,适合文本分析
print("/ ".join(list(jieba.cut('我来到了重庆工商大学'))))#因为默认状态是精确模式,所以不用去定义cut_all
#我/ 来到/ 了/ 重庆/ 工商大学
# 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
print("/ ".join(list(jieba.cut('我来到了重庆工商大学',cut_all=True))))
#我/ 来到/ 了/ 重庆/ 工商/ 工商大学/ 商大/ 大学
#用jieba.lcut就可以不用list就可以返回
print("{0}".format(jieba.lcut('我来到了重庆工商大学')))
#['我', '来到', '了', '重庆', '工商大学']
print("/ ".join(list(jieba.cut('我来到了重庆工商大学',cut_all=True))))
#我/ 来到/ 了/ 重庆/ 工商/ 工商大学/ 商大/ 大学
# 默认是精确模式 和启用 HMM
# HMM 模型 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
print("/ ".