jieba库的使用

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

1. 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)
2. 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
3. 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：

1. 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)
2. 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
3. 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：

1. 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
2. file_name：若为二进制方式打开的文件，则文件必须为UTF-8编码。
3. 词频省略时使用自动计算的能保证分出该次的词频
4. 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