特点
-
支持三种分词模式:
- 精确模式,试图把句子最精确地切开,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
算法
- 基于前缀词典实现高效的词图扫描,生成句子中汉字所有可能成词情况所构成的有向无环图(DAG)
- 采用了动态规划查找最大概率路径,找出基于词频的最大切分组合
- 对于未登录词,采用了基于汉字成词能力的HMM模型,使用了Viterbi算法
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。但不建议直接输入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
直接返回listjieba.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,所有全局分词相关的函数都是该分词器的映射。
代码示例
import jieba
seg_list = jieba.cut("我来到中国科学院大学",cut_all=True)
print("【全模式】:"+"/".join(seg_list))
seg_list = jieba.cut("我来到中国科学院大学", cut_all=False)
print("【默认模式】: " + "/ ".join(seg_list)) # 精确模式
seg_list = jieba.cut