二级python基础之jieba库分词

jieba库概述

jieba是优秀的中文分词第三方库

• 中文文本需要通过分词获得单个的词语
• jieba是优秀的中文分词第三方库，需要额外安装
• jieba库提供三种分词模式，最简单只需掌握一个函数

jieba库的安装

(cmd命令行) pip install jieba

jieba分词的原理

jieba分词依靠中文词库

• 利用一个中文词库，确定中文字符之间的关联概率
• 中文字符间概率大的组成词组，形成分词结果
• 除了分词，用户还可以添加自定义的词组

jieba分词的三种模式

精确模式、全模式、搜索引擎模式

• 精确模式：把文本精确的切分开，不存在冗余单词
• 全模式：把文本中所有可能的词语都扫描出来，有冗余
• 搜索引擎模式：在精确模式基础上，对长词再次切分

常用函数

jieba.lcut(s)

精确模式，返回一个列表类型的分词结果

import jieba
s = jieba.lcut("中国是一个伟大的国家")
print(s)

分词结果

['中国', '是', '一个', '伟大', '的', '国家']

jieba.lcut(s,cut_all=True)

全模式，返回一个列表类型的分词结果，存在冗余

import jieba
s = jieba.lcut("中国是一个伟大的国家",cut_all=True)
print(s)

分词结果

['中国', '国是', '一个', '伟大', '的', '国家']

jieba.lcut_for_search(s)

搜索引擎模式，返回一个列表类型的分词结果，存在冗余

import jieba
s = jieba.lcut_for_search("中华人民共和国是伟大的")
print(s)

分词结果

['中华', '华人', '人民', '共和', '共和国', '中华人民共和国', '是', '伟大', '的']

jieba.add_word(w)

向分词词典增加新词w，保证在分词操作中w不会被分开

import jieba
s = jieba.lcut("中国是一个伟大的国家")
print(s)
jieba.add_word("伟大的国家")
s = jieba.lcut("中国是一个伟大的国家")
print(s)

分词结果

['中国', '是', '一个', '伟大', '的', '国家']
['中国', '是', '一个', '伟大的国家']