参考:参考:https://github.com/fxsjy/jieba
安装:
Python 2.x 下的安装
- 全自动安装:cmd下直接运行代码:easy_install jieba 或者 pip install jieba
- 半自动安装:先下载http://pypi.python.org/pypi/jieba/ ,解压,cmd,cd进入文件存放的文件夹下,运行代码: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
- 如何引用jieba包?打开Python IDE,输入代码:import jieba 来引用 (第一次import时需要构建Trie树,需要几秒时间)
1.最原始的功能——分词:
#方法就是函数
- jieba.cut方法接受两个输入参数: 1) 第一个参数为需要分词的字符串 2)cut_all参数用来控制是否采用全模式,用法:cut_all=True,或者cut_all=False 3)HMM参数用来控制是否使用 HMM 模型,用法:HMM=True,或者HMM=False
- 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
- 注意:待分词的字符串可以是gbk字符串、utf-8字符串或者unicode
- 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),也可以用list(jieba.cut(...))转化为list
- 代码示例( 分词 )
#encoding=utf-8
import jieba
seg_list = jieba.cut("我来到北京清华大学",cut_all=True)
print "Full Mode:", "/ ".join(seg_list) #全模式
seg_list = jieba.cut("我来到北京清华大学",cut_all=False)
print "Default Mode:", "/ ".join(seg_list) #精确模式
seg_list = jieba.cut("我们中出了一个叛徒", HMM=True)print ",".join(seg_list)seg_list = jieba.cut("他来到了网易杭研大厦") #默认是精确模式print ", ".join(seg_list)seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所,后在日本京都大学深造") #搜索引擎模式print ", ".join(seg_list)
Output:
【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学 【精确模式】: 我/ 来到/ 北京/ 清华大学
【HMM模式】:我们/ 中出/ 了/ 一个/ 叛徒 【新词识别】:他, 来到, 了, 网易, 杭研, 大厦 (此处,“杭研”并没有在词典中,但是也被Viterbi算法识别出来了) 【搜索引擎模式】: 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造
- 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。
2.添加用户词典进行分词
载入词典
- 开发者可以指定自己自定义的词典,以便包含jieba自带词库(Python安装目录里→Lib→site-packages→jieba包→dict.txt)里没有的词。虽然jieba有新词识别能力,但是自行添加新词可以保证更高的正确率
- 用法1:Python IDE中编写代码 jieba.load_userdict(file_name) # file_name为自定义词典的路径
- 词典格式和dict.txt一样,一个词占一行;每一行分三部分,一部分为词语,另一部分为词频(可省略),最后为词性(可省略),用空格隔开
- 范例:
加载自定义词库后: 李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /
自定义词典:https://github.com/fxsjy/jieba/blob/master/test/userdict.txt
用法示例:https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py
- 代码举例:
- jieba.load_userdict("D:/1/user.txt")#导入用户自定义词典,user.txt要以utf-8保存
调整词典
- 用法2:使用
add_word(word, freq=None, tag=None)
和 del_word(word)
可在程序中动态修改已经建好的 用户词典.txt。 - 直接代码里写这句:jieba.add_word('凱特琳')
3.关键词提取
add_word(word, freq=None, tag=None)
和 del_word(word)
可在程序中动态修改已经建好的 用户词典.txt。基于 TF-IDF 算法的关键词抽取
import jieba.analyse
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 仅包括指定词性的词,默认值为空,即不筛选
代码示例 (关键词提取)
https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py
关键词提取所使用逆向文件频率(IDF)文本语料库可以切换成自定义语料库的路径
- 用法: jieba.analyse.set_idf_path(file_name) # file_name为自定义语料库的路径
- 自定义语料库示例:https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big
- 用法示例:https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.py
关键词提取所使用停止词(Stop Words)文本语料库可以切换成自定义语料库的路径
- 用法: jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径
- 自定义语料库示例:https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt
- 用法示例:https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.py
关键词一并返回关键词权重值示例
4. 词性标注>>> import jieba.posseg as pseg >>> words = pseg.cut("我爱北京天安门") >>> for word, flag in words: ... print('%s %s' % (word, flag)) ... 我 r 爱 v 北京 ns 天安门 ns