结巴分词 小结

不得不用到分词，但是中科院和哈工大感觉不太好装，反倒是结巴已经再python的源中了所以选择这个作为分词工具。

1.下载安装

没啥吧直接

python easy_install.py jieba

即可，import如果没什么问题就说明安装成功了。

2.简介

结巴的使用方法也很是简单，具体如下
结巴分词支持3中分词模式：
1，全模式：把句子中的所有可以成词的词语都扫描出来，
2， 精确模式：试图将文本最精确的分开，适合于做文本分析。
3，搜索引擎模式：在精确的基础上对长词进行进一步的切分。

同时还支持
支持繁体分词
支持自定义词典
MIT 授权协议

主要的函数并不多，下面资料来自Github源码的说明

• 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 list
• jieba.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。

前面的还是比较好理解的，为了更加灵活的运用我们多关注一下后面的几条，可以自己构造分词器，这个还是比较实用的。

3.简单的例子

基础应用

最简单的应用，两个函数

#_*_ coding:utf-8 _*_
import jieba
seg_list = jieba.cut("从没见过我这么弱的垃圾", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list))  # 全模式

seg_list = jieba.cut("从没见过我这么弱的垃圾", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))  # 精确模式,我们的语料一般这个比较好用

seg_list = jieba.cut_for_search("虽然我也很想挣扎一下，但是无论怎样我都那么菜")  # 搜索引擎模式
print(", ".join(seg_list))

自主添加词典

然后我们可以定义自己的字典识别特定的词语

用法： jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径

需要注意的是，词典格式和 dict.txt 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file_name 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。词频省略时使用自动计算的能保证分出该词的词频。
我们做一下小实验，字典如下