python jieba分词学习笔记

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