python模块专题——2.jieba

jieba库用于中文分词处理。

1.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，不存在冗余单词，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

2.安装与使用

• 全自动安装：easy_install jieba 或者 pip install jieba / pip3 install jieba
• 半自动安装：先下载 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

3.原理

• 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
• 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

4.用法

• 分词

  • jieba.cut 方法接受三个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用 HMM 模型

  • jieba.cut_for_search 方法接受两个参数：需要分词的字符串；是否使用 HMM 模型。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

  • 待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能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

  • lcut 和 lcut_for_search 直接返回 list（cut返回的是generator，可以通过for获取）

  • 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。

    import jieba
    
    str="**********"
    print("精确模式：",jieba.lcut(str))
    print("全模式：",jieba.lcut(str,cut_all=True))
    print("搜索引擎模式：",jieba.lcut_for_search(str))
    print("cut方式：","/".join(jieba.cut(str)))
    

• 自定义词典

  • 导入词典
    • 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。
  • 修改词典
    • 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。

• 关键词提取

  • 基于TF-IDF算法的关键词抽取

    jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())

    • sentence 为待提取的文本

      • topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20

      • withWeight 为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

      import jieba
      import jieba.analyse
      
      topK = 10
      str = "**********"
      tags = jieba.analyse.extract_tags(str, topK=topK)
      print("关键词：","/".join(tags))
      

  • 基于TextRank算法的关键词抽取

    jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) 直接使用，接口相同，注意默认过滤词性。

    • jieba.analyse.TextRank() 新建自定义 TextRank 实例

    • 参数同TF-IDF

    • 原理

      1. 将待抽取关键词的文本进行分词
      2. 以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图
      3. 计算图中节点的PageRank，注意是无向带权图

      import jieba
      import jieba.analyse
      
      topK = 10
      str = "******************"
      rank_tags=jieba.analyse.textrank(str)
      print("关键词:","/".join(rank_tags))
      
      
      print("返回词频:",end='')
      for x, w in jieba.analyse.textrank(str, withWeight=True):
          print('%s %s' % (x, w))
          
      

• 词性标注

  • jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器，tokenizer 参数可指定内部使用的 jieba.Tokenizer分词器。jieba.posseg.dt 为默认词性标注分词器。

  • 标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法。

Notice

应博友的要求，创建了一个QQ群，方便大家学习交流，群内也会经常分享一下学习资源。有兴趣的小伙伴可以加群哦！