jieba中文处理
和拉丁语系不同,亚洲语言是不用空格分开每个有意义的词的。而当我们进行自然语言处理的时候,大部分情况下,词汇是我们对句子和文章理解的基础,因此需要一个工具去把完整的文本中分解成粒度更细的词。这才是主要需要处理的是基于中文的。jieba可以实现粗细两种粒度的分词处理。一般选择的是粗粒度,不会选择像搜索引擎一样的细粒度的方法。
jieba就是这样一个非常好用的中文工具,是以分词起家的,但是功能比分词要强大很多。
jieba可以用在工程中处理一般的任务(有时可以加一点自己的词库)。还有一个收费的效果较好的库/包:汉语分词系统(ICTCLAS 2016)
1.基本分词函数与用法
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)
jieba.cut 方法接受三个输入参数:
- 需要分词的字符串
- cut_all 参数用来控制是否采用全模式
- HMM 参数用来控制是否使用 HMM 模型 (HMM隐式马尔科夫模型)
jieba.cut_for_search 方法接受两个参数,切分整句话。
- 需要分词的字符串
- 是否使用 HMM 模型。
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
# encoding=utf-8
import jieba
seg_list = jieba.cut("我在学习自然语言处理", cut_all=True) print seg_list print("Full Mode: " + "/ ".join(seg_list)) # 全模式:会将有意义的词都取出来(划分结果会有重复) seg_list = jieba.cut("我在学习自然语言处理", cut_all=False) print("Default Mode: " + "/ ".join(seg_list)) # 精确模式:找最合适的方式将原话切分开。(可以自己添加词包或者给出建议)切分结果不会有重复的字段 seg_list = jieba.cut("他毕业于上海交通大学,在百度深度学习研究院进行研究") # 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,后在哈佛大学深造") # 搜索引擎模式:所有有意义的词可能都会被提取出来 print(", ".join(seg_list))
jieba.lcut以及jieba.lcut_for_search直接返回 list
result_lcut = jieba.lcut("小明硕士毕业于中国科学院计算所,后在哈佛大学深造") print result_lcut print " ".join(result_lcut) print " ".join(jieba.lcut_for_search("小明硕士毕业于中国科学院计算所,后在哈佛大学深造"))
添加用户自定义词典
很多时候我们需要针对自己的场景进行分词,会有一些领域内的专有词汇。
- 1.可以用jieba.load_userdict(file_name)加载用户字典
- 2.少量的词汇可以自己用下面方法手动添加:
- 用 add_word(word, freq=None, tag=None) 和 del_word(word) 在程序中动态修改词典
- 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。
print('/'.join(jieba.cut('如果放到旧字典中将出错。', HMM=False))) #动态设置的时候一定要将HMM设定为False。因为用隐马的方式可能会忽略掉给出的专属名词的信息
jieba.suggest_freq(('中', '将'), True)
print('/'.join(jieba.cut('如果放到旧字典中将出错。', HMM=False)))
关键词提取
基于 TF-IDF 算法的关键词抽取
考虑该词在全局所有文档中出现的频次。如果本文档中频次很高,则可以认为该词很重要。
但如果在全局文档中频次也很高说明它是一个烂大街的词汇,因此它不重要了。
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
import jieba.analyse as analyse
lines = open('NBA.txt').read() print " ".join(analyse.extract_tags(lines, topK=20, withWeight=False, allowPOS=()))
lines = open(u'西游记.txt').read() print " ".join(analyse.extract_tags(lines, topK=20, withWeight=False, allowPOS=()))
关于TF-IDF 算法的关键词抽取补充
-
关键词提取所使用逆向文件频率(IDF)文本语料库可以切换成自定义语料库的路径
-
关键词一并返回关键词权重值示例
- 用法示例见这里
基于 TextRank 算法的关键词抽取
- jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) 直接使用,接口相同,注意默认过滤词性。
- jieba.analyse.TextRank() 新建自定义 TextRank 实例
算法论文: TextRank: Bringing Order into Texts
基本思想:
- 将待抽取关键词的文本进行分词
- 以固定窗口大小(默认为5,通过span属性调整),词之间的共现关系,构建图
- 计算图中节点的PageRank,注意是无向带权图
import jieba.analyse as analyse
lines = open('NBA.txt').read() print " ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))) #动词和名词都要 print "---------------------我是分割线----------------" print " ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=('ns', 'n'))) #只要名词
lines = open(u'西游记.txt').read() #正本小说 print " ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')))
词性标注(结果既有分词还有对应的词性)
- jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器,tokenizer 参数可指定内部使用的 jieba.Tokenizer 分词器。jieba.posseg.dt 为默认词性标注分词器。
- 标注句子分词后每个词的词性,采用和 ictclas 兼容的标记法。
- 具体的词性对照表参见计算所汉语词性标记集
import jieba.posseg as pseg
words = pseg.cut("我爱自然语言处理") for word, flag in words: print('%s %s' % (word, flag))
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,只支持 mac 和 linux
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
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。
注意:并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。
import sys
import time
import jieba jieba.enable_parallel() content = open(u'西游记.txt',"r").read() t1 = time.time() words = "/ ".join(jieba.cut(content)) t2 = time.time() tm_cost = t2-t1 print('并行分词速度为 %s bytes/second' % (len(content)/tm_cost)) jieba.disable_parallel() content = open(u'西游记.txt',"r").read() t1 = time.time() words = "/ ".join(jieba.cut(content)) t2 = time.time() tm_cost = t2-t1 print('非并行分词速度为 %s bytes/second' % (len(content)/tm_cost))
Tokenize:返回词语在原文的起止位置(定位)
注意,输入参数只接受 unicode
print "这是默认模式的tokenize"
result = jieba.tokenize(u'自然语言处理非常有用') for tk in result: print("%s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2])) print "\n-----------我是神奇的分割线------------\n" print "这是搜索模式的tokenize" result = jieba.tokenize(u'自然语言处理非常有用', mode='search') for tk in result: print("%s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
ChineseAnalyzer for Whoosh 搜索引擎
效果好坏取决于:
1.构建的数据库的大小:丰富度和完整性
2.构建的索引粒度应该足够细
from jieba.analyse import ChineseAnalyzer
# -*- coding: UTF-8 -*-
from __future__ import unicode_literals
import sys,os sys.path.append("../") from whoosh.index import create_in,open_dir from whoosh.fields import * from whoosh.qparser import QueryParser analyzer = jieba.analyse.ChineseAnalyzer() #中文分析器作分析 schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT(stored=True, analyzer=analyzer)) if not os.path.exists("tmp"): os.mkdir("tmp") #用来存放后续生成的索引数据 ix = create_in("tmp", schema) # for create new index #ix = open_dir("tmp") # for read only writer = ix.writer() writer.add_document( title="document1", path="/a", content="This is the first document we’ve added!" ) writer.add_document( title="document2", path="/b", content="The second one 你 中文测试中文 is even more interesting! 吃水果" ) writer.add_document( title="document3", path="/c", content="买水果然后来世博园。" ) writer.add_document( title="document4", path="/c", content="工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作" ) writer.add_document( title="document4", path="/c", content="咱俩交换一下吧。" ) writer.commit() searcher = ix.searcher() parser = QueryParser("content", schema=ix.schema) for keyword in ("水果世博园","你","first","中文","交换机","交换"): print(keyword+"的结果为如下:") q = parser.parse(keyword) results = searcher.search(