python 句子中没有中文_Python中jieba中文分词库的使用

jieba是python的一个中文分词库，下面介绍它的使用方法。

安装

方式1：
pip install jieba

方式2：
先下载 http://pypi.python.org/pypi/jieba/
然后解压，运行 python setup.py install

功能

下面介绍下jieba的主要功能，具体信息可参考github文档：https://github.com/fxsjy/jieba

分词

jieba常用的三种模式：

1. 精确模式，试图将句子最精确地切开，适合文本分析；
2. 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；
3. 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。

可使用 jieba.cut 和 jieba.cut_for_search 方法进行分词，两者所返回的结构都是一个可迭代的 generator，可使用 for 循环来获得分词后得到的每一个词语（unicode），或者直接使用 jieba.lcut 以及 jieba.lcut_for_search 返回 list。

jieba.Tokenizer(dictionary=DEFAULT_DICT) ：使用该方法可以自定义分词器，可以同时使用不同的词典。jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。

jieba.cut 和 jieba.lcut 可接受的参数如下：

1. 需要分词的字符串（unicode 或 UTF-8 字符串、GBK 字符串）
2. cut_all：是否使用全模式，默认值为 False
3. HMM：用来控制是否使用 HMM 模型，默认值为 True

jieba.cut_for_search 和 jieba.lcut_for_search 接受 2 个参数：

1. 需要分词的字符串（unicode 或 UTF-8 字符串、GBK 字符串）
2. HMM：用来控制是否使用 HMM 模型，默认值为 True

需要注意的是，尽量不要使用 GBK 字符串，可能无法预料地错误解码成 UTF-8。

三种分词模式的比较：

# 全匹配
seg_list = jieba.cut("今天哪里都没去，在家里睡了一天", cut_all=True)
print(list(seg_list))  # ['今天', '哪里', '都', '没去', '', '', '在家', '家里', '睡', '了', '一天']

# 精确匹配 默认模式
seg_list = jieba.cut("今天哪里都没去，在家里睡了一天", cut_all=False)
print(list(seg_list))  # ['今天', '哪里', '都', '没', '去', '，', '在', '家里', '睡', '了', '一天']

# 精确匹配
seg_list = jieba.cut_for_search("今天哪里都没去，在家里睡了一天")
print(list(seg_list))  # ['今天', '哪里', '都', '没', '去', '，', '在', '家里', '睡', '了', '一天']

自定义词典

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。
用法： jieba.load_userdict(dict_path)

dict_path：为自定义词典文件的路径

词典格式如下：

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。

下面使用一个例子说明一下：

自定义字典 user_dict.txt：

大学课程
深度学习

下面比较下精确匹配、全匹配和使用自定义词典的区别：

import jieba


test_sent = """
数学是一门基础性的大学课程，深度学习是基于数学的，尤其是线性代数课程
"""

words = jieba.cut(test_sent)
print(list(words))
# ['n', '数学', '是', '一门', '基础性', '的', '大学', '课程', '，', '深度',
# '学习', '是', '基于', '数学', '的', '，', '尤其', '是', '线性代数', '课程', 'n']

words = jieba.cut(test_sent, cut_all=True)
print(list(words))
# ['n', '数学', '是', '一门', '基础', '基础性', '的', '大学', '课程', '', '', '深度',
# '学习', '是', '基于', '数学', '的', '', '', '尤其', '是', '线性', '线性代数', '代数', '课程', 'n']

jieba.load_userdict("userdict.txt