jieba
“结巴”中文分词:做最好的 Python 中文分词组件
“Jieba” (Chinese for “to stutter”) Chinese text segmentation: built to be the best Python Chinese word segmentation module.
完整文档见 README.md
GitHub: https://github.com/fxsjy/jieba
特点
- 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
- MIT 授权协议
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import jieba
seg_list = jieba.cut("python c c++ c#我中文", cut_all=True)# 全模式
seg_list = jieba.cut("我来到北京清华大学", cut_all=False) # 精确模式
seg_list = jieba.cut("他来到了网易杭研大厦") # 默认是精确模式
seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所") # 搜索引擎模式
根据 参数的不同 分词的模式也是不同的,虽然jieba是中文分词,但是你想要匹配你想要的英文也是可以的
在jieba分词的源代码中,是维护了一个dict.txt文件,你可以往里加自己想要的词汇,也可以重新指定新的字典文件
图示如下 使用jieba.add_word() 函数就可以实现添加 自己想要的词汇了,重新指定新的字典文件,我个人觉得没必要。
03.02添加自定义词典
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 为文件类对象或自定义词典的路径
词典格式和 dict.txt 一样,一个词占一行;每一行分三部分: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。
词频省略时使用自动计算的能保证分出该词的词频