jieba分词的基本用法和词性标注

jieba分词的基本用法和词性标注

一、jieba 分词基本概述

• 它号称“做最好的Python中文分词组件”的jieba分词是python语言的一个中文分词包。
• 它有如下三种模式：
  
  • 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，接下来看一个小 demo 如下：

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 ("\nDefault 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 ('\n新词识别：(如，杭研)',", ".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 ("\n搜索引擎模式：",", ".join(seg_list))

Full Mode: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学

Default Mode: 我/ 来到/ 北京/ 清华大学

新词识别：(如，杭研) 他, 来到, 了, 网易, 杭研, 大厦

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

二、添加自定义词典

1、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。


2、用法：jieba.load_userdict(file_name) # file_name为自定义词典的路径


3、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


4、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 /

• 可以参见jieba 官方提供的自定义词典，以及程序：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
  5、故可以 “通过用户自定义词典来增强歧义纠错能力”

3、关键词提取

1、首先，通过如下代码导入下面的库

import jieba.analyse

其次：便可以使用，

jieba.analyse.extract_tags(sentence,topK) 

• 其中，sentence 为待提取的文本
• topK 为返回的几个 TF/IDF 权重最大的关键词，默认值为20

代码可以参见：
https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py

四、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
... 

输出如下 ： 

我 r
爱 v
北京 ns
天安门 ns

五、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，
• 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，参见如下：
https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py

六、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

• 这里附上词性标注表，如下：

• 名词 (1个一类，7个二类，5个三类)

• 名词分为以下子类：

  • n 名词
  • nr 人名
  • nr1 汉语姓氏
  • nr2 汉语名字
  • nrj 日语人名
  • nrf 音译人名
  • ns 地名
  • nsf 音译地名
  • nt 机构团体名
  • nz 其它专名
  • nl 名词性惯用语
  • ng 名词性语素

• 时间词(1个一类，1个二类)

  • t 时间词
  • tg 时间词性语素

• 处所词(1个一类)

  • s 处所词

• 方位词(1个一类)

  • f 方位词

• 动词(1个一类，9个二类)

  • v 动词
  • vd 副动词
  • vn 名动词
  • vshi 动词“是”
  • vyou 动词“有”
  • vf 趋向动词
  • vx 形式动词
  • vi 不及物动词（内动词）
  • vl 动词性惯用语
  • vg 动词性语素

• 形容词(1个一类，4个二类)

  • a 形容词
  • ad 副形词
  • an 名形词
  • ag 形容词性语素
  • al 形容词性惯用语

• 区别词(1个一类，2个二类)

  • b 区别词
  • bl 区别词性惯用语

• 状态词(1个一类)

  • z 状态词

• 代词(1个一类，4个二类，6个三类)

  • r 代词
  • rr 人称代词
  • rz 指示代词
  • rzt 时间指示代词
  • rzs 处所指示代词
  • rzv 谓词性指示代词
  • ry 疑问代词
  • ryt 时间疑问代词
  • rys 处所疑问代词
  • ryv 谓词性疑问代词
  • rg 代词性语素

• 数词(1个一类，1个二类)

  • m 数词
  • mq 数量词

• 量词(1个一类，2个二类)

  • q 量词
  • qv 动量词
  • qt 时量词

• 副词(1个一类)

  • d 副词

• 介词(1个一类，2个二类)

  • p 介词
  • pba 介词“把”
  • pbei 介词“被”

• 连词(1个一类，1个二类)

  • c 连词
  • cc 并列连词

• 助词(1个一类，15个二类)

  • u 助词
  • uzhe 着
  • ule 了 喽
  • uguo 过
  • ude1 的 底
  • ude2 地
  • ude3 得
  • usuo 所
  • udeng 等 等等 云云
  • uyy 一样 一般 似的 般
  • udh 的话
  • uls 来讲 来说 而言 说来
  • uzhi 之
  • ulian 连 （“连小学生都会”）

• 叹词(1个一类)

  • e 叹词

• 语气词(1个一类)

  • y 语气词(delete yg)

• 拟声词(1个一类)

  • o 拟声词

• 前缀(1个一类)

  • h 前缀

• 后缀(1个一类)

  • k 后缀

• 字符串(1个一类，2个二类)

  • x 字符串
  • xx 非语素字
  • xu 网址URL

• 标点符号(1个一类，16个二类)

  • w 标点符号
  • wkz 左括号，全角：（ 〔 ［ ｛ 《 【 〖 〈 半角：( [ { <
  • wky 右括号，全角：） 〕 ］ ｝ 》 】 〗 〉 半角： ) ] { >
  • wyz 左引号，全角：“ ‘ 『
  • wyy 右引号，全角：” ’ 』
  • wj 句号，全角：。
  • ww 问号，全角：？ 半角：?
  • wt 叹号，全角：！ 半角：!
  • wd 逗号，全角：， 半角：,
  • wf 分号，全角：； 半角： ;
    wn 顿号，全角：、
  • wm 冒号，全角：： 半角： :
  • ws 省略号，全角：…… …
  • wp 破折号，全角：—— －－ ——－ 半角：—
  • wb 百分号千分号，全角：％ ‰ 半角：%
  • wh 单位符号，全角：￥ ＄ ￡ ° ℃ 半角 $

转载自： https://blog.csdn.net/li_31415/article/details/48660073