基于python的jieba包中文分词(二)

jieba包

载入词典

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。

可通过以下方法引入词典。

 jieba.load_userdict(file_name) 

此方法包括一个参数。
file_name ：文件类对象或自定义词典的路径。

自定义词典的格式需要和 dict.txt 一样，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。

自定义词典的官方举例：

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

测试加入自定义词典产生的变化：

#encoding=utf-8
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"
words = jieba.cut(test_sent)
print('/'.join(words))

之前： 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /

加载自定义词库后：李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /

调整词典

1、add_word()

add_word(word, freq=None, tag=None)

用于增加词。

2、del_word()

del_word(word)

用于删除词。

方法1和2可以在程序中动态修改词典。

3、get_FREQ()

get_FREQ(word)

用来统计当前词的词频。

>>> import jieba
>>> testlist = [('今天天气不错', ('今天', '天气')),
...             ('如果放到post中将出错。', ('中', '将')),
...             ('我们中出了一个叛徒', ('中', '出'))]
>>> for sent, seg in testlist:
...   print('/'.join(jieba.cut(sent, HMM=False)))  # 将HMM的值设置为False的原因 时让jieba不对没有的词语进行猜测
...   word = ''.join(seg)
...   print('%s Before: %s, After: %s' % (word, jieba.get_FREQ(word), jieba.suggest_freq(seg, True)))
...   print('/'.join(jieba.cut(sent, HMM=False)))
... 

Building prefix dict from the default dictionary ...
Loading model from cache /var/folders/qv/xffg8dxj2bqb5jxyf4spdsnc0000gn/T/jieba.cache
Loading model cost 0.606 seconds.
Prefix dict has been built successfully.

今天天气/不错
今天天气 Before: 3, After: 0
今天/天气/不错
如果/放到/post/中将/出错/。
中将 Before: 763, After: 494
如果/放到/post/中/将/出错/。
我们/中/出/了/一个/叛徒
中出 Before: 3, After: 3
我们/中/出/了/一个/叛徒

4、suggest_freq()

suggest_freq(segment, tune=True)

此方法可调节单个词语的词频，使其能（或不能）被分出来。因此在测试该方法时需要将HMM关闭，防止其自动组成新词，影响结果。

以下代码用于测试suggest_freq()函数的作用。

>>> import jieba
>>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
如果/放到/post/中将/出错/。
>>> jieba.suggest_freq(('中', '将'), True)
494
>>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
如果/放到/post/中/将/出错/。

>>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
「/台/中/」/正确/应该/不会/被/切开
>>> jieba.suggest_freq('台中', True)
69
>>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
「/台中/」/正确/应该/不会/被/切开

在第一个例子中，“中”和“将”最开始没有被分开，在使用suggest_freq()函数之后，“中”和“将”被分开。
在第二个例子中，“台”和“中”最开始被分开，在使用suggest_freq()函数之后，“台”和“中”没有被分开。