jieba分词
“Jieba” (Chinese for “to stutter”) Chinese text segmentation: built to be the best Python Chinese word segmentation module.
特点
- 支持三种分词模式(默认是精确模式)
- 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
友情链接
- https://github.com/baidu/lac 百度中文词法分析(分词+词性+专名)系统
- https://github.com/baidu/AnyQ 百度FAQ自动问答系统
- https://github.com/baidu/Senta 百度情感识别系统
安装
直接使用pip install jieba
进行安装
主要功能
- 分词
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 参数用来控制是否使用 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。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- 待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意:不建议直接输入 GBK 字符串,可能无法预料地错误解码成 UTF-8
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),或者用jieba.lcut
以及jieba.lcut_for_search
直接返回 listjieba.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。
import jieba
segfull_list = jieba.cut("我喜欢中国!", cut_all=True)
print("Full Mode: " + " ".join(segfull_list)) # 全模式
segdef_list = jieba.cut("我喜欢中国!", cut_all=False)
print("Default Mode: " + " ".join(segdef_list)) # 精确模式
segset_list = jieba.