Python中文分词组件 jieba

jieba

"结巴"中文分词：做最好的Python中文分词组件 "Jieba" 

Feature

• 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

在线演示

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

(Powered by Appfog)

Python 2.x 下的安装

• 全自动安装：easy_install jieba 或者 pip 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 （第一次import时需要构建Trie树，需要几秒时间）

Python 3.x 下的安装

• 目前master分支是只支持Python2.x 的

• Python3.x 版本的分支也已经基本可用： https://github.com/fxsjy/jieba/tree/jieba3k

  git clone https://github.com/fxsjy/jieba.git
  git checkout jieba3k
  python setup.py install

Algorithm

• 基于Trie树结构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

功能 1)：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

• 注意：待分词的字符串可以是gbk字符串、utf-8字符串或者unicode

• 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( 分词 )

#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)

Output:

【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学

【精确模式】: 我/ 来到/ 北京/ 清华大学

【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)

【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

功能 2) ：添加自定义词典[有问题]

• 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

• 范例：

  • 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 /

  • 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

• "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

功能 3) ：关键词提取

• jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse

• setence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

代码示例 （关键词提取）

jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse

说明

setence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
代码示例 （关键词提取）

import sys
sys.path.append('../')

import jieba
import jieba.analyse
from optparse import OptionParser

USAGE = "usage: python extract_tags.py [file name] -k [top k]"

parser = OptionParser(USAGE)
parser.add_option("-k", dest="topK")
opt, args = parser.parse_args()


if len(args) < 1:
    print USAGE
    sys.exit(1)

file_name = args[0]

if opt.topK is None:
    topK = 10
else:
    topK = int(opt.topK)

content = open(file_name, 'rb').read()

tags = jieba.analyse.extract_tags(content, topK=topK)

print ",".join(tags)

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

功能 4) : 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

• 用法示例

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

功能 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。

功能 6) : Tokenize：返回词语在原文的起始位置

• 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])

word 永和                start: 0                end:2
word 服装                start: 2                end:4
word 饰品                start: 4                end:6
word 有限公司            start: 6                end:10

• 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])

word 永和                start: 0                end:2
word 服装                start: 2                end:4
word 饰品                start: 4                end:6
word 有限                start: 6                end:8
word 公司                start: 8                end:10
word 有限公司            start: 6                end:10

功能 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

其他词典

1. 占用内存较小的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small

2. 支持繁体分词更好的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big

下载你所需要的词典，然后覆盖jieba/dict.txt 即可或者用jieba.set_dictionary('data/dict.txt.big')

模块初始化机制的改变:lazy load （从0.28版本开始）

jieba采用延迟加载，"import jieba"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trie。如果你想手工初始jieba，也可以手动初始化。

import jieba
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')

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

分词速度

• 1.5 MB / Second in Full Mode

• 400 KB / Second in Default Mode

• Test Env: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《围城》.txt

常见问题

1）模型的数据是如何生成的？https://github.com/fxsjy/jieba/issues/7

2）这个库的授权是? https://github.com/fxsjy/jieba/issues/2

更多问题请点击：https://github.com/fxsjy/jieba/issues?sort=updated&state=closed

Change Log

http://www.oschina.net/p/jieba/news#list