一、结巴分词
1、支持三种分词模式:
(1)精确模式:试图将句子最精确的切开,适合文本分析。
(2)全模式:把句子中所有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。
(3)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。
2、支持繁体分词
3、支持自定义词典
4、结巴分词的实现原理主要有一下三点:
(1)基于Trie树结构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)采用了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)对于未登录词,采用了基于汉字成词能力的HMM模型,使用了Viterbi算法。
二、MR批量分词
分词只需要map即可,无需reduce进行聚合。
map.py
#! /usr/bin/python
import sys
import os
# 将结巴分词包分发到从节点上,并解压,便于import
os.system('tar zxvf jieba.tgz > /dev/null')
reload(sys)
sys.setdefaultencoding('utf-8')
sys.path.append('./')
import jieba
import jieba.posseg
import jieba.analyse
for line in sys.stdin:
ss = line.strip().split('\t')
if len(ss) != 2:
c