中文分词包jieba的使用总结

安装 jieba 包

pip install jieba
https://github.com/fxsjy/jieba

特点：

支持三种分词模式：

精确模式，试图将句子最精确地切开，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

分词
1 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

2 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

3 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

4 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。

5 使用jieba.posseg分词，可以查看分词的词性

分词的3种模式

import jieba
seg_list = jieba.cut("我来到北京清华大学",cut_all=True)
print("Full Mode: " + "/".join(seg_list)) #全模式
Full Mode: 我/来到/北京/清华/清华大学/华大/大学

seg_list = jieba.cut("我来到北京清华大学",cut_all=False)
print("Default Mode: " + "/".join(seg_list)) #精确模式
Default Mode: 我/来到/北京/清华大学

seg_list = jieba.cut("他来到了网易杭研大厦") #默认是精确模式
print(",".join(seg_list)) 
他,来到,了,网易,杭研,大厦

seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京东大学深造") #搜索引擎模式
print(",".join(seg_list))
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,日本,京东,大学,深造

查看词性

import jieba.posseg as pseg #查看词性
words = pseg.cut("我爱北京天安门")
for word, flag in words:
    print("%s,%s"%(word,flag)