说明:
部分内容来自结巴的文档(http://www.oschina.net/p/jieba,写的的确简明)
==================================
- 工作模式
- 支持三种分词模式:
- 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。
- 支持繁体分词
- 支持自定义词典
- 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
- python 版本
- 目前master分支是只支持Python2.x 的
- Python3.x 版本的分支也已经基本可用: https://github.com/fxsjy/jieba/tree/jieba3k
- Python3.x 版本的分支也已经基本可用: https://github.com/fxsjy/jieba/tree/jieba3k
- 安装
- 全自动安装:`easy_install jieba` 或者 `pip install jieba`
- 半自动安装:先下载http://pypi.python.org/pypi/jieba/ ,解压后运行python setup.py install
- 半自动安装:先下载http://pypi.python.org/pypi/jieba/ ,解压后运行python setup.py install
- 手动安装:将jieba目录放置于当前目录或者site-packages目录
- 通过import jieba 来引用 (第一次import时需要构建Trie树,需要几秒时间)
- 原理
- 算法
- 基于Trie树结构实现高效的词图扫描,生成句子中汉字所有可能成词情况所构成的有向无环图(DAG)
- 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
- 对于未登录词,采用了基于汉字成词能力的HMM模型,使用了Viterbi算法
- 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
- 对于未登录词,采用了基于汉字成词能力的HMM模型,使用了Viterbi算法
- 初始化
- 延迟加载
- import jieba 不会立即加载词典
- 有必要时才会加载词典,构造trie
- 也可手动构造
import jieba
jieba.initialize() #手动构造
- 在0.28之前的版本是不能指定主词典的路径的,有了延迟加载机制后,可以改变主词典的路径:
jieba.set_dictionary('data/dict.txt.big')
- 效率
- 1.5 MB / Second in Full Mode
- 400 KB / Second in Default Mode
- Test Env: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz;《围城》.txt
- 使用
- 分词
- `jieba.cut`方法接受两个输入参数: 1) 第一个参数为需要分词的字符串 2)cut_all参数用来控制是否采用全模式
- `jieba.cut_for_search`方法接受一个参数:需要分词的字符串,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
- 注意:待分词的字符串可以是gbk字符串、utf-8字符串或者unicode
- `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),也可以用list(jieba.cut(...))转化为list
- `jieba.cut_for_search`方法接受一个参数:需要分词的字符串,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
- 注意:待分词的字符串可以是gbk字符串、utf-8字符串或者unicode
- `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),也可以用list(jieba.cut(...))转化为list
- 示例
#encoding=utf-8
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
- 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。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
- 用法: jieba.load_userdict(file_name) # file_name为自定义词典的路径
- 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
- 关键词提取
- jieba.analyse.extract_tags(sentence,topK)
- 需要先import jieba.analyse
- setence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
- setence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
- 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
- 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
- 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
- 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
- 基于python自带的multiprocessing模块,目前暂不支持windows
- 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