python中的jieba分词使用手册

一：前言

和拉丁语系不同，亚洲语言是不用空格分开每个有意义的词的。而当我们进行自然语言处理的时候，大部分情况下，词汇是我们对句子和文章理解的基础，因此需要一个工具去把完整的文本中分解成粒度更细的词。

jieba就是这样一个非常好用的中文工具，是以分词起家的，但是功能比分词要强大很多。

二：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

import jieba

list0 = jieba.cut(‘小明硕士毕业于中国科学院计算所，后在哈佛大学深造‘, cut_all=True)
print(‘全模式‘, list(list0))
# [‘小‘, ‘明‘, ‘硕士‘, ‘毕业‘, ‘于‘, ‘中国‘, ‘中国科学院‘, ‘科学‘, ‘科学院‘, ‘学院‘, ‘计算‘, ‘计算所‘, ‘‘, ‘‘, ‘后‘, ‘在‘, ‘哈佛‘, ‘哈佛大学‘, ‘大学‘, ‘深造‘]
list1 = jieba.cut(‘小明硕士毕业于中国科学院计算所，后在哈佛大学深造‘, cut_all=False)
print(‘精准模式‘, list(list1))
# [‘小明‘, ‘硕士‘, ‘毕业‘, ‘于‘, ‘中国科学院‘, ‘计算所‘, ‘，‘, ‘后‘, ‘在‘, ‘哈佛大学‘, ‘深造‘]
list2 = 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‘)
print(‘搜索引擎模式‘, list(list2))
# [‘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。

　　加载用户词典方式：

# 未加载用户词典时
st1=jieba.cut(‘王蒋小明在加州理工大学上学‘)
# [‘王‘, ‘蒋小明‘, ‘在‘, ‘加州‘, ‘理工大学‘, ‘上学‘]
print(list(st1))

# 加载用户词典时
# jieba自带的库一般在python都为site-packages\jieba\dict.txt
jieba.load_userdict(‘d.txt‘)
# 词典格式和dict.txt一样，一词一行，每行分三个部分（用空格隔开），词语 词频（可省） 词性（可省）
# 顺序不可颠倒，若filename为路径或二进制方式打开，则需为UTF-8
# 定义： 王蒋小明 加州理工大学 在d.txt中
st2=jieba.cut(‘王蒋小明在加州理工大学上学‘)
# [‘王蒋小明‘, ‘在‘, ‘加州理工大学‘, ‘上学‘]
print(list(st2))

　　调节词频

a=jieba.cut(‘在考试中将有监控‘)
print(list(a)) # [‘在‘, ‘考试‘, ‘中将‘, ‘有‘, ‘监控‘]
jieba.suggest_freq((‘中‘,‘将‘),True) # 通过调节词频，让中和将都被划出来
b=jieba.cut(‘在考试中将有监控‘)
print(list(b)) # [‘在‘, ‘考试‘, ‘中‘, ‘将‘, ‘有‘, ‘监控‘]

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

import jieba.analyse as analyse
lines = open(‘西游记.txt‘,‘r‘,encoding=‘utf8‘).read() # 西游记.txt为整本西游记小说
lists0=analyse.extract_tags(lines, topK=20, withWeight=False, allowPOS=())
print(list(lists0)) # 抽出整本小说的关键字
# [‘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
    • 自定义语料库示例
    • 用法示例
  • 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
    • 用法： jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径
    • 自定义语料库示例
    • 用法示例

• 关键词一并返回关键词权重值示例

  • 用法示例

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

import jieba.posseg as pseg
words = pseg.cut("我爱我的祖国")
for word, flag in words:
    print(‘%s %s‘ % (word, flag))
# 我 r
# 爱 v
# 我 r
# 的 uj
# 祖国 n

Tokenize：返回词语在原文的起止位置

注意，输入参数只接受 unicode

print("默认模式的tokenize")
result = jieba.tokenize(u‘自然语言处理非常有用‘)
for tk in result:
    print("%s\t\t start: %d \t\t end:%d" % (tk[0], tk[1], tk[2]))
print("\n==================================================\n")
print("搜索模式的tokenize")
result = jieba.tokenize(u‘自然语言处理非常有用‘, mode=‘search‘)
for tk in result:
    print("%s\t\t start: %d \t\t end:%d" % (tk[0], tk[1], tk[2]))
"""
默认模式的tokenize
自然语言         start: 0          end:4
处理         start: 4          end:6
非常         start: 6          end:8
有用         start: 8          end:10

==================================================

这是搜索模式的tokenize
自然         start: 0          end:2
语言         start: 2          end:4
自然语言         start: 0          end:4
处理         start: 4          end:6
非常         start: 6          end:8
有用         start: 8          end:10
"""

 

jieba

“结巴”中文分词：做最好的 Python 中文分词组件

"Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module.

• Scroll down for English documentation.

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

在线演示

http://jiebademo.ap01.aws.af.cm/

(Powered by Appfog)

网站代码：https://github.com/fxsjy/jiebademo

安装说明

代码对 Python 2/3 均兼容

• 全自动安装：easy_install jieba 或者 pip install jieba / pip3 install jieba
• 半自动安装：先下载 http://pypi.python.org/pypi/jieba/ ，解压后运行 python setup.py install
• 手动安装：将 jieba 目录放置于当前目录或者 site-packages 目录
• 通过 import jieba 来引用

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

1. 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。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。

代码示例

# encoding=utf-8
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

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

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))

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

输出:

1. 【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学

2.  

3. 【精确模式】: 我/ 来到/ 北京/ 清华大学

4.  

5. 【新词识别】：他, 来到, 了, 网易, 杭研, 大厦 (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)

6.  

7. 【搜索引擎模式】： 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, 京都, 大学, 日本京都大学, 深造

2. 添加自定义词典

载入词典

• 开发者可以指定自己自定义的词典，以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力，但是自行添加新词可以保证更高的正确率
• 用法： jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径
• 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。

例如：

1. 创新办 3 i

2. 云计算 5

3. 凱特琳 nz

4. 台中

• 更改分词器（默认为 jieba.dt）的 tmp_dir 和 cache_file 属性，可分别指定缓存文件所在的文件夹及其文件名，用于受限的文件系统。

• 范例：

  • 自定义词典：https://github.com/fxsjy/jieba/blob/master/test/userdict.txt

  • 用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py

    • 之前： 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /

    • 加载自定义词库后：　李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /

调整词典

• 使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。

• 使用 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。

• 注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。

代码示例：

>>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
如果/放到/post/中将/出错/。
>>> jieba.suggest_freq(('中', '将'), True)
494
>>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
如果/放到/post/中/将/出错/。
>>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
「/台/中/」/正确/应该/不会/被/切开
>>> jieba.suggest_freq('台中', True)
69
>>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
「/台中/」/正确/应该/不会/被/切开

• "通过用户自定义词典来增强歧义纠错能力" --- https://github.com/fxsjy/jieba/issues/14

3. 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
• jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件

代码示例 （关键词提取）

https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py

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
• 自定义语料库示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big
• 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.py

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

• 用法： jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径
• 自定义语料库示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt
• 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.py

关键词一并返回关键词权重值示例

• 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_with_weight.py

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: Bringing Order into Texts

基本思想:

1. 将待抽取关键词的文本进行分词
2. 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
3. 计算图中节点的PageRank，注意是无向带权图

使用示例:

见 test/demo.py

4. 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。
• 用法示例

>>> import jieba.posseg as pseg
>>> words = pseg.cut("我爱北京天安门")
>>> for word, flag in words:
...    print('%s %s' % (word, flag))
...
我 r
爱 v
北京 ns
天安门 ns

5. 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

• 例子：https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py

• 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。

6. Tokenize：返回词语在原文的起止位置

• 注意，输入参数只接受 unicode
• 默认模式

result = jieba.tokenize(u'永和服装饰品有限公司')
for tk in result:
    print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

1. word 永和 start: 0 end:2

2. word 服装 start: 2 end:4

3. word 饰品 start: 4 end:6

4. word 有限公司 start: 6 end:10

5.  

• 搜索模式

result = jieba.tokenize(u'永和服装饰品有限公司', mode='search')
for tk in result:
    print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

1. word 永和 start: 0 end:2

2. word 服装 start: 2 end:4

3. word 饰品 start: 4 end:6

4. word 有限 start: 6 end:8

5. word 公司 start: 8 end:10

6. word 有限公司 start: 6 end:10

7. ChineseAnalyzer for Whoosh 搜索引擎

• 引用： from jieba.analyse import ChineseAnalyzer

• 用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py

8. 命令行分词

使用示例：python -m jieba news.txt > cut_result.txt

命令行选项（翻译）：

1. 使用: python -m jieba [options] filename

2.  

3. 结巴命令行界面。

4.  

5. 固定参数:

6. filename 输入文件

7.  

8. 可选参数:

9. -h, --help 显示此帮助信息并退出

10. -d [DELIM], --delimiter [DELIM]

11. 使用 DELIM 分隔词语，而不是用默认的' / '。

12. 若不指定 DELIM，则使用一个空格分隔。

13. -p [DELIM], --pos [DELIM]

14. 启用词性标注；如果指定 DELIM，词语和词性之间

15. 用它分隔，否则用 _ 分隔

16. -D DICT, --dict DICT 使用 DICT 代替默认词典

17. -u USER_DICT, --user-dict USER_DICT

18. 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

19. -a, --cut-all 全模式分词（不支持词性标注）

20. -n, --no-hmm 不使用隐含马尔可夫模型

21. -q, --quiet 不输出载入信息到 STDERR

22. -V, --version 显示版本信息并退出

23.  

24. 如果没有指定文件名，则使用标准输入。

--help 选项输出：

1. $> python -m jieba --help

2. Jieba command line interface.

3.  

4. positional arguments:

5. filename input file

6.  

7. optional arguments:

8. -h, --help show this help message and exit

9. -d [DELIM], --delimiter [DELIM]

10. use DELIM instead of ' / ' for word delimiter; or a

11. space if it is used without DELIM

12. -p [DELIM], --pos [DELIM]

13. enable POS tagging; if DELIM is specified, use DELIM

14. instead of '_' for POS delimiter

15. -D DICT, --dict DICT use DICT as dictionary

16. -u USER_DICT, --user-dict USER_DICT

17. use USER_DICT together with the default dictionary or

18. DICT (if specified)

19. -a, --cut-all full pattern cutting (ignored with POS tagging)

20. -n, --no-hmm don't use the Hidden Markov Model

21. -q, --quiet don't print loading messages to stderr

22. -V, --version show program's version number and exit

23.  

24. If no filename specified, use STDIN instead.

25.  

延迟加载机制

jieba 采用延迟加载，import jieba 和 jieba.Tokenizer() 不会立即触发词典的加载，一旦有必要才开始加载词典构建前缀字典。如果你想手工初始 jieba，也可以手动初始化。

1. import jieba

2. jieba.initialize() # 手动初始化（可选）

在 0.28 之前的版本是不能指定主词典的路径的，有了延迟加载机制后，你可以改变主词典的路径:

jieba.set_dictionary('data/dict.txt.big')