jieba--做最好用的中文分词组件详解【2】（载入词典与调整词典）

写在最前面：

今天有时间，再讲一讲jieba分词的词典。

 

载入词典：

 

首先，这是原来的分词方式及其结果：

• 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

import jieba


test_sent = (
    "李小福是创新办主任也是云计算方面的专家\n"
    "什么是八一双鹿\n"
    "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\n"
    "「台中」正確應該不會被切開。mac上可分出「石墨烯」；此時又可以分出來凱特琳了。"
)
words = jieba.cut(test_sent)
print("/ ".join(words))

李小福/ 是/ 创新/ 办/ 主任/ 也/ 是/ 云/ 计算/ 方面/ 的/ 专家/ 
/ 什么/ 是/ 八/ 一双/ 鹿/ 
/ 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/ 
/ 「/ 台/ 中/ 」/ 正確/ 應該/ 不會/ 被/ 切開/ 。/ mac/ 上/ 可/ 分出/ 「/ 石墨/ 烯/ 」/ ；/ 此時/ 又/ 可以/ 分出/ 來凱/ 特琳/ 了/ 。

加入自定义字典

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
八一双鹿 3 nz
台中
凱特琳 nz
Edu Trust认证 2000

载入自定义字典

jieba.load_userdict("userdict.txt")

李小福/ 是/ 创新办/ 主任/ 也/ 是/ 云计算/ 方面/ 的/ 专家/ 
/ 什么/ 是/ 八一双鹿/ 
/ 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/ 
/ 「/ 台中/ 」/ 正確/ 應該/ 不會/ 被/ 切開/ 。/ mac/ 上/ 可/ 分出/ 「/ 石墨/ 烯/ 」/ ；/ 此時/ 又/ 可以/ 分出/ 來/ 凱特琳/ 了/ 。

那么这个自定义字典是如何定义的呢？

• 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 

文末附词性表

 

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。

 使用 suggest_freq(segment, tune=True) 调节单个词语的词频

import jieba
jieba.load_userdict("userdict.txt")

test_sent = (
    "李小福是创新办主任也是云计算方面的专家\n"
    "什么是八一双鹿\n"
    "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\n"
    "「台中」正確應該不會被切開。mac上可分出「石墨烯」；此時又可以分出來凱特琳了。"
)

words = jieba.cut(test_sent)
jieba.suggest_freq(('云','计算'),True)
jieba.suggest_freq(('八一','双鹿'),True)
print("/ ".join(words))

李小福/ 是/ 创新办/ 主任/ 也/ 是/ 云/ 计算/ 方面/ 的/ 专家/ 
/ 什么/ 是/ 八/ 一双/ 鹿/ 
/ 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/ 
/ 「/ 台中/ 」/ 正確/ 應該/ 不會/ 被/ 切開/ 。/ mac/ 上/ 可/ 分出/ 「/ 石墨/ 烯/ 」/ ；/ 此時/ 又/ 可以/ 分出/ 來/ 凱特琳/ 了/ 。

我们可以看到与计算、八一双鹿被手动分开了

 

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

import jieba
jieba.load_userdict("userdict.txt")

test_sent = (
    "李小福是创新办主任也是云计算和石墨烯方面的专家\n"
    "什么是八一双鹿\n"
    "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\n"
    "「台中」正確應該不會被切開。mac上可分出「石墨烯」；此時又可以分出來凱特琳了。"
)

words = jieba.cut(test_sent)
print("/ ".join(words))

李小福/ 是/ 创新办/ 主任/ 也/ 是/ 云计算/ 和/ 石墨/ 烯/ 方面/ 的/ 专家/ 
/ 什么/ 是/ 八一双鹿/ 
/ 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/ 
/ 「/ 台中/ 」/ 正確/ 應該/ 不會/ 被/ 切開/ 。/ mac/ 上/ 可/ 分出/ 「/ 石墨/ 烯/ 」/ ；/ 此時/ 又/ 可以/ 分出/ 來/ 凱特琳/ 了/ 。

可以看到，我自定义的字典里没有石墨烯的词，所以石墨烯没有被正确识别出来，然后我加入石墨烯。

import jieba
jieba.load_userdict("userdict.txt")

test_sent = (
    "李小福是创新办主任也是云计算和石墨烯方面的专家\n"
    "什么是八一双鹿\n"
    "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\n"
    "「台中」正確應該不會被切開。mac上可分出「石墨烯」；此時又可以分出來凱特琳了。"
)
jieba.add_word('石墨烯')
words = jieba.cut(test_sent)
print("/ ".join(words))

然后石墨烯被正确识别出来了

 

 

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

连词(1个一类，1个二类)

c 连词

cc 并列连词

副词(1个一类)

d 副词

叹词(1个一类)

e 叹词

方位词(1个一类)

f 方位词

前缀(1个一类)

h 前缀

后缀(1个一类)

k 后缀

数词(1个一类，1个二类)

m 数词

mq 数量词

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

拟声词(1个一类)

o 拟声词

介词(1个一类，2个二类)

p 介词

pba 介词“把”

pbei 介词“被”

量词(1个一类，2个二类)

q 量词

qv 动量词

qt 时量词

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

处所词(1个一类)

s 处所词

时间词(1个一类，1个二类)

t 时间词

tg 时间词性语素

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”）

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

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：$

字符串(1个一类，2个二类)

x 字符串

xx 非语素字

xu 网址URL

语气词(1个一类)

y 语气词(delete yg)

状态词(1个一类)

z 状态词