jieba分词

1. 三中分词模式

• 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。

2. 安装

pip3 install jieba

3. 分词

• jieba.cut方法接受两个输入参数：
  （1） 第一个参数为需要分词的字符串
  （2）cut_all参数用来控制是否采用全模式
• jieba.cut_for_search方法接受一个参数：需要分词的字符串,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。
• 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)，也可以用list(jieba.cut(…))转化为list
• 代码示例:

#全模式
seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print(",".join(seg_list))
#精确模式
seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print(",".join(seg_list))
搜索引擎模式
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")
print(",".join(seg_list))
#输出:
#我,来到,北京,清华,清华大学,华大,大学
#我,来到,北京,清华大学
#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

4. 添加自定义字典

• 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。

jieba.load_userdict(file_name) # file_name为自定义词典的路径

• 词典格式和dict.txt一样，一个词占一行；每一行分三部分，一部分为词语，另一部分为词频，最后为词性（可省略），用空格隔开
• example(自定义词典)

云计算 5
李小福 2 nr
创新办 3 i
easy_install 3 eng
好用 300
韩玉赏鉴 3 nz

• 示例代码

import jieba
import jieba.posseg as pseg


test_sent = "李小福是创新办主任也是云计算方面的专家;"
test_sent +="例如我输入一个带“韩玉赏鉴”的标题，在自定义词库中也增加了此词为N类型"

words = jieba.cut(test_sent)
print("/".join(words))
#加载自定义字典
jieba.load_userdict("userdict")
result = pseg.cut(test_sent)
print("/".join([word.word for word in result]))
#输出
#李小福/是/创新/办/主任/也/是/云/计算/方面/的/专家/;/例如/我/输入/一个/带/“/韩玉/赏鉴/”/的/标题/，/在/自定义词/库中/也/增加/了/此/词为/N/类型
#李小福/是/创新办/主任/也/是/云计算/方面/的/专家/;/例如/我/输入/一个/带/“/韩玉赏鉴/”/的/标题/，/在/自定义词/库中/也/增加/了/此/词/为/N/类型

5. 关键字抽取

jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse
#setence为待提取的文本，必须是一连串的字符串才可以
#topK为返回几个TF/IDF权重最大的关键词，默认值为20代码示例 （关键词提取）

• 示例代码

import jieba.analyse

t = open("test", 'r', encoding='utf-8')
readlines = t.readlines()

for line in readlines:
    print(jieba.analyse.extract_tags(line,topK=10))

6. 词性标注

• 标注句子分词后每个词的词性，采用和ictclas兼容的标记法

import jieba.posseg as pseg

cut = pseg.cut("我爱北京天安门")
for c in cut:
    print(c.word+"/"+c.flag)
#输出
我/r
爱/v
北京/ns
天安门/ns

7. 并行分词

• 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

import jieba
import sys, time
jieba.enable_parallel(4)
content = open("test", "rb").read()
t1 = time.time()
words = list(jieba.cut(content))
t2 = time.time()
print("cost:"+str(t2 - t1))