jieba分词是Python中目前最受欢迎的中文分词库,他有许多特点,为了便于介绍直接引用官方介绍如下。
-
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。
-
支持繁体分词
-
支持自定义词典
-
MIT 授权协议
jieba分词的原理是利用一个中文词库,确定汉字之间的关联概率,然后组成词组,形成分词结果,除了分词,用户还可以添加自定义的词组。
我们先来看一个最简单的代码示例:
jieba使用起来非常简单,核心的功能函数方法就是使用cut()方法来做分词处理。当然不仅仅是这一个方法,还有诸多cut方法,比如lcut(),lcut返回的是一个list,而刚才的cut返回的是一个Python生成器。cut和lcut的区别除了返回的结果不一样以外,还有一个重要的区别是cut的速度要略快于lcut可以详见官方文档。
# encoding=utf-8
import jieba
seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print("全模式: " + "/ ".join(seg_list)) # 全模式
# 输出如下:
# 全模式: 我/ 来到/