安装说明
Python 2.x安装方式
- 全自动安装:
easy_install jieba
pip install jieba / pip3 install jieba
- 半自动安装:
先下载jieba(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。
Python 3.x下的安装方式
git clone https://github.com/fxsjy/jieba.git
下载到本地解压后,通过命令行进入解压目录,
python setup.py install
特点
- 三种分词模式
- 精确模式:默认分词,将句子最精确地切开,适合文本分类
- 全模式:把句子中所有可以成词的词语都扫描出啦,速度快,但不能解决歧义
- 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
jieba的分词算法
- 基于前缀词典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
- 采用成词能力的HMM模型对新词进行切分。
主要功能
分词
- jieba.cut(content,cut_all,HMM)
- content:需要分词的字符串
- cut_all:控制是否采用全模式
- HMM:控制是否采用HMM模型
- jieba.cut_for_search(content,HMM):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unicode或UTF-8、GBK字符串。(不建议直接输入GBK字符串,可以无法预料地错误解码成UTF-8)
- 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),或者用jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
- jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器,可用于同时使用不同词典。jieba.dt 为默认分词器,所有全局分词相关函数都是该分词器的映射。
# 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
seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list)) # 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
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,后在日本京都大学深造") # 搜索引擎模式
print(", ".join(seg_list))
输出
【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
【精确模式】: 我/ 来到/ 北京/ 清华大学
【新词识别】:他, 来到, 了, 网易, 杭研, 大厦 (此处,“杭研”并没有在词典中,但是也被Viterbi算法识别出来了)
【搜索引擎模式】: 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造
载入词典
开发者自定义词典,以便包含jieba词库中没有的词。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
词典文件内容
userdict.txt
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
注意:
- 词典格式和dict.txt一样,一个词占一行,每一行分三个部分: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次的词频
- 更改分词器【默认为jieba.dt】的tmp_dir和cache_file属性,可分别制定缓冲文件所在的文件夹及其文件名,用于受限的文件系统。
用法样例:test_userdict.py
#encoding=utf-8
from __future__ import print_function, unicode_literals
import sys
sys.path.append("../")
import jieba
jieba.load_userdict("userdict.txt")
import jieba.posseg as pseg
jieba.add_word('石墨烯')
jieba.add_word('凱特琳')
jieba.del_word('自定义词')
test_sent = (
"李小福是创新办主任也是云计算方面的专家; 什么是八一双鹿\n"
"例如我输入一个带“韩玉赏鉴”的标题,在自定义词库中也增加了此词为N类\n"
"「台中」正確應該不會被切開。mac上可分出「石墨烯」;此時又可以分出來凱特琳了。"
)
words = jieba.cut(test_sent)
print('/'.join(words))
print("="*40)
result = pseg.cut(test_sent)
for w in result:
print(w.word, "/", w.flag, ", ", end=' ')
print("\n" + "="*40)
terms = jieba.cut('easy_install is great')
print('/'.join(terms))
terms = jieba.cut('python 的正则表达式是好用的')
print('/'.join(terms))
print("="*40)
# test frequency tune
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)))
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)))
print("-"*40)
调整词典
- 使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。
- 使用 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。
- 注意:自动计算的词频在使用 HMM 新词发现功能时可能无效。
>>> 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
关键字提取
基于TF-IDF算法的关键字抽取
import jieba.analyse
- jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
- sentence:待提取的文本
- topK:返回几个TF/IDF权重的最大的关键字,默认值为20
- withWeight: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
- **jieba.analyse.TFIDF(idf_path=None) **:新建 TFIDF 实例,idf_path 为 IDF 频率文件