nlp技能，jieba分词

jieba中文处理

参考寒小阳，jieba课的内容

1.基本分词函数与用法¶

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)

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

# encoding=utf-8

importjieba

 

seg_list =jieba.cut("我在学习自然语言处理", cut_all=True)

print seg_list

print("FullMode: "+"/ ".join(seg_list))  # 全模式

 

seg_list =jieba.cut("我在学习自然语言处理", cut_all=False)

print("DefaultMode: "+"/ ".join(seg_list))  # 精确模式

 

seg_list =jieba.cut("他毕业于上海交通大学，在百度深度学习研究院进行研究")  # 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，后在哈佛大学深造")  # 搜索引擎模式

print(",".join(seg_list))

 

Full Mode: 我/ 在/ 学习/ 自然/ 自然语言/ 语言/ 处理

Default Mode: 我/ 在/ 学习/ 自然语言/ 处理

他, 毕业, 于, 上海交通大学, ，, 在, 百度, 深度, 学习, 研究院, 进行, 研究

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, 哈佛, 大学, 哈佛大学, 深造

 

jieba.lcut以及jieba.lcut_for_search直接返回 list

result_lcut=jieba.lcut("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")

printresult_lcut

print" ".join(result_lcut)

print" ".join(jieba.lcut_for_search("小明硕士毕业于中国科学院计算所，后在哈佛大学深造"))

 

[u'\u5c0f\u660e', u'\u7855\u58eb', u'\u6bd5\u4e1a', u'\u4e8e',u'\u4e2d\u56fd\u79d1\u5b66\u9662', u'\u8ba1\u7b97\u6240', u'\uff0c', u'\u540e',u'\u5728', u'\u54c8\u4f5b\u5927\u5b66', u'\u6df1\u9020']

小明 硕士 毕业 于 中国科学院 计算所 ， 后 在 哈佛大学 深造

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 哈佛 大学 哈佛大学 深造

 

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，会有一些领域内的专有词汇。

·        1.可以用jieba.load_userdict(file_name)加载用户字典

·        2.少量的词汇可以自己用下面方法手动添加：

§  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。

print('/'.join(jieba.cut('如果放到旧字典中将出错。', HMM=False)))

如果/放到/旧/字典/中将/出错/。

In [4]:

jieba.suggest_freq(('中', '将'), True)

Out[4]:

494

In [5]:

print('/'.join(jieba.cut('如果放到旧字典中将出错。', HMM=False)))

如果/放到/旧/字典/中/将/出错/。

关键词提取

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

importjieba.analyseasanalyse

lines = open('NBA.txt').read()

print " ".join(analyse.extract_tags(lines, topK=20,withWeight=False,allowPOS=()))

韦少  杜兰特  全明星  全明星赛  MVP  威少  正赛  科尔  投篮  勇士  球员  斯布鲁克  更衣柜  张卫平  三连庄  NBA  西部  指导  雷霆  明星队

In [7]:

lines = open(u'西游记.txt').read()

print " ".join(analyse.extract_tags(lines, topK=20,withWeight=False,allowPOS=()))

行者  八戒  师父  三藏  唐僧  大圣  沙僧  妖精  菩萨  和尚  那怪  那里  长老  呆子  徒弟  怎么  不知  老孙  国王  一个

关于TF-IDF 算法的关键词抽取补充

·        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

o    自定义语料库示例见这里

o    用法示例见这里

§  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

o    用法： jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径

o    自定义语料库示例见这里

o    用法示例见这里

·        关键词一并返回关键词权重值示例

§  用法示例见这里

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

算法论文： TextRank: BringingOrder into Texts

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，注意是无向带权图

In [8]:

import jieba.analyseas analyse

lines = open('NBA.txt').read()

print " ".join(analyse.textrank(lines, topK=20,withWeight=False, allowPOS=('ns','n', 'vn','v')))

print "---------------------我是分割线----------------"

print " ".join(analyse.textrank(lines, topK=20,withWeight=False, allowPOS=('ns','n')))

全明星赛  勇士  正赛  指导  对方  投篮  球员  没有  出现  时间  威少  认为  看来  结果  相隔  助攻  现场  三连庄  介绍  嘉宾

---------------------我是分割线----------------

勇士  正赛  全明星赛  指导  投篮  玩命  时间  对方  现场  结果  球员  嘉宾  时候  全队  主持人  特点  大伙  肥皂剧  全程  快船队

In [9]:

lines = open(u'西游记.txt').read()

print " ".join(analyse.textrank(lines, topK=20,withWeight=False, allowPOS=('ns','n', 'vn','v')))

行者  师父  八戒  三藏  大圣  不知  菩萨  妖精  只见  长老  国王  却说  呆子  徒弟  小妖  出来  不得  不见  不能  师徒

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。

·        具体的词性对照表参见计算所汉语词性标记集

In [10]:

importjieba.possegaspseg

words=pseg.cut("我爱自然语言处理")

forword,flaginwords:

    print('%s%s'%(word,flag))

我 r

爱 v

自然语言 l

处理 v

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 进程并行分词，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，目前暂不支持 Windows

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

实验结果：在 4 核 3.4GHz Linux 机器上，对金庸全集进行精确分词，获得了 1MB/s 的速度，是单进程版的 3.3 倍。

注意：并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。

In [11]:

importsys

importtime

importjieba

 

jieba.enable_parallel()

content=open(u'西游记.txt',"r").read()

t1=time.time()

words="/".join(jieba.cut(content))

t2=time.time()

tm_cost=t2-t1

print('并行分词速度为%s bytes/second'%(len(content)/tm_cost))

 

jieba.disable_parallel()

content=open(u'西游记.txt',"r").read()

t1=time.time()

words="/".join(jieba.cut(content))

t2=time.time()

tm_cost=t2-t1

print('非并行分词速度为%s bytes/second'%(len(content)/tm_cost))

并行分词速度为 830619.50933bytes/second

非并行分词速度为 259941.448353bytes/second

ChineseAnalyzer for Whoosh 搜索引擎

fromjieba.analyse import ChineseAnalyzer

In [16]:

# -*- coding: UTF-8 -*-

from__future__importunicode_literals

importsys,os

sys.path.append("../")

fromwhoosh.indeximportcreate_in,open_dir

fromwhoosh.fieldsimport*

fromwhoosh.qparserimportQueryParser

 

analyzer=jieba.analyse.ChineseAnalyzer()

schema=Schema(title=TEXT(stored=True),path=ID(stored=True),content=TEXT(stored=True,analyzer=analyzer))

   

ifnotos.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 iseven 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)

 

forkeywordin("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)

    forhitinresults:

        print(hit.highlights("content"))

    print("\n--------------我是神奇的分割线--------------\n")

 

fortinanalyzer("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)

水果世博园的结果为如下：

买<b class="match term0">水果</b>然后来<bclass="match term1">世博园</b>

 

--------------我是神奇的分割线--------------

 

你的结果为如下：

second one <b class="matchterm0">你</b> 中文测试中文 is even more interesting

 

--------------我是神奇的分割线--------------

 

first的结果为如下：

<b class="matchterm0">first</b> document we’ve added

 

--------------我是神奇的分割线--------------

 

中文的结果为如下：

second one 你 <bclass="match term0">中文</b>测试<b class="match term0">中文</b>is even more interesting

 

--------------我是神奇的分割线--------------

 

交换机的结果为如下：

干事每月经过下属科室都要亲口交代24口<b class="match term0">交换机</b>等技术性器件的安装工作

 

--------------我是神奇的分割线--------------

 

交换的结果为如下：

咱俩<b class="match term0">交换</b>一下吧

干事每月经过下属科室都要亲口交代24口<b class="match term0">交换</b>机等技术性器件的安装工作

 

--------------我是神奇的分割线--------------

 

我

好

朋友

是

李明

我

爱

北京

天安

天安门

ibm

microsoft

dream

intetest

interest

me

lot

命令行分词

使用示例：python -m jiebanews.txt > cut_result.txt

命令行选项（翻译）：

使用: python -m jieba [options] filename

结巴命令行界面。

 

固定参数:

 filename              输入文件

 

可选参数:

  -h,--help            显示此帮助信息并退出

  -d[DELIM], --delimiter [DELIM]

                        使用 DELIM 分隔词语，而不是用默认的' / '。

                        若不指定 DELIM，则使用一个空格分隔。

  -p[DELIM], --pos [DELIM]

                        启用词性标注；如果指定 DELIM，词语和词性之间

                        用它分隔，否则用 _ 分隔

  -D DICT,--dict DICT  使用 DICT 代替默认词典

  -uUSER_DICT, --user-dict USER_DICT

                        使用 USER_DICT 作为附加词典，与默认词典或自定义词典配合使用

  -a,--cut-all         全模式分词（不支持词性标注）

  -n,--no-hmm          不使用隐含马尔可夫模型

  -q,--quiet           不输出载入信息到 STDERR

  -V,--version         显示版本信息并退出

 

如果没有指定文件名，则使用标准输入。

 

--help 选项输出：

$> python -m jieba --help

Jieba command line interface.

 

positional arguments:

 filename              input file

 

optional arguments:

  -h,--help            show this help messageand exit

  -d[DELIM], --delimiter [DELIM]

                        use DELIM instead of '/ ' for word delimiter; or a

                        space if it is usedwithout DELIM

  -p[DELIM], --pos [DELIM]

                        enable POS tagging; ifDELIM is specified, use DELIM

                        instead of '_' for POSdelimiter

  -D DICT,--dict DICT  use DICT as dictionary

  -uUSER_DICT, --user-dict USER_DICT

                        use USER_DICT togetherwith the default dictionary or

                        DICT (if specified)

  -a,--cut-all         full pattern cutting(ignored with POS tagging)

  -n,--no-hmm          don't use the HiddenMarkov Model

  -q,--quiet           don't print loadingmessages to stderr

  -V,--version         show program's versionnumber and exit

 

If no filename specified, use STDIN instead.