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.