python学习笔记——jieba库入门

一、查找官方文档

1.百度

https://pypi.org/project/jieba/ 

2.完整文档：https://github.com/fxsjy/jieba

 

二、介绍

1.简介

 jieba（中文意思是“结巴”）中文文本切分：打造成最好的Python中文分词模块。

2.特点

• 支持四种分词模式：
  • 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。
  • paddle模式，利用PaddlePaddle深度学习框架，训练序列标注（双向GRU）网络模型实现分词。同时支持词性标注。paddle模式使用需安装paddlepaddle-tiny，pip install paddlepaddle-tiny==1.6.1。目前paddle模式支持jieba v0.40及以上版本。jieba v0.40以下版本，请升级jieba，pip install jieba --upgrade 。PaddlePaddle官网
• 支持繁体分词
• 支持自定义词典
• MIT 授权协议

 

三、主要功能

1.分词

1.1前三种分词模式案例

import jieba

string = '中华人民共和国是一个伟大的国家'

#精确模式
aa = jieba.lcut(string)  # 等效于：jieba.lcut(string, cut_all=False)是否分割出所有情况=否
print(aa)
#全模式
aa = jieba.lcut(string, cut_all=True)  # 是否分割出所有情况=是
print(aa)
#搜索引擎模式（在精确模式的基础上，对长词再次切分）
aa = jieba.lcut_for_search(string)
print(aa)

结果：

['中华人民共和国', '是', '一个', '伟大', '的', '国家']

['中华', '中华人民', '中华人民共和国', '华人', '人民', '人民共和国', '共和', '共和国', '国是', '一个', '伟大', '的', '国家']

['中华', '华人', '人民', '共和', '共和国', '中华人民共和国', '是', '一个', '伟大', '的', '国家']

1.2相似方法

原理：查看源码可知， lcut()是cut()放进list里返回的数据

 

2.添加自定义词典（提高分词准确率）

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

2.1 一个精确模式案例

import jieba

string = '小明白参加云计算项目研究'
aa = jieba.lcut(string)
print(aa)

结果：

['小', '明白', '参加', '云', '计算', '项目', '研究']

发现：“小明白”这个人名分的不准确，“云计算”这个名词分的也不准确。

2.2 解决方案1：

使用 jieba.add_word(word)添加词库没有的词

import jieba

string = '小明白参加云计算项目研究'
jieba.add_word("云计算")
jieba.add_word("小明白")
aa = jieba.lcut(string)
print(aa)

结果：

['小明白', '参加', '云计算', '项目', '研究']

2.2 解决方案2（载入词典文件）：

jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径

先建一个XX.txt文件

import jieba

string = '小明白参加云计算项目研究'
jieba.load_userdict('dict.txt')
aa = jieba.lcut(string)
print(aa)

结果：

['小明白', '参加', '云计算', '项目', '研究']

3.关键词提取

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

import jieba.analyse

string = '小明白参加云计算项目研究'
jieba.add_word("云计算")
jieba.add_word("小明白")
new_words = jieba.analyse.extract_tags(string, topK=3)
print(new_words)

结果：

['小明白', '云计算', '参加']