jieba中文处理
基本分词函数与用法
jieba.cut 以及 jieba.cut_for_search 返回的数据结构都是一个可迭代的 generator,可以使用for循环来获取到分词后的每一个词语(unicode)
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 参数用来控制使用使用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
jieba.lcut以及jieba.lcut_for_search 直接返回list
添加用户自定义词典
很多时候我们需要针对自己的场景进行分词,会有一些领域内专业词汇。可使用jieba.load_userdict(file_name)加载用户字典
- 少量的词汇可以用下面的方法手动添加
- 列表内容用add_word(word,freq=None,tag=None)和del_word(word)在程序中动态修改词典
- 用 suggest_freq(segment,tune=True)可调节单个词语的词频,使其能(或不能)被分出来
关键词提取
基于 TF-IDF 算法的关键词抽取
jieba.analyse.extract_tags(sentence,topK=20,withWeight=False,allowPOS=())
- sentence 为待提取的文本
- topK 为返回几个 TF/IDF 权重最大的关键词,默认值为20
- withWeight 为是否一并返回关键词权重值,默认值为False
- allowPOS 仅包括指定行的词,默认值为空,即不筛选
基于 TextRank 算法的关键词抽取
- 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(默认为5,通过span属性调整),词之间的共现关系,构建图
- 计算图中节点的PageRank,注意是无向带全图
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
并行分词
原理:将目标文本按行分隔后,把各行文本分配到多个Python进程进行分词,然后归并结果,从而获得分词速度的可观提升,基于python自带的multiprocessing模块
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
Tokenize:返回词语在原文的起止位置
注意,参数只接受unicode
ChineseAnalyzer for Whoosh 搜索引擎
# -*- coding: UTF-8 -*-
import jieba
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
analyzer = jieba.analyse.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"))
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)
命令行分词