python结巴分词jieba技术集成应用说明

About-简介说明

jieba-Github

结巴支持三种分词模式:

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。

结巴支持繁体分词

结巴支持自定义词典

算法实现简析

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)
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

Install-安装

Python 2.x 下的安装

1	pip install jieba

或者进行下载后自行引入;

Python 3.x 下的安装

目前master分支是只支持Python2.x 的
Python3.x 版本的分支也已经基本可用： https://github.com/fxsjy/jieba/tree/jieba3k

1
2
3

git clone https://github.com/fxsjy/jieba.git  
git checkout jieba3k  
python setup.py install

Usage-应用

分词

函数: jieba.cut

jieba.cut方法接受两个输入参数:
+ 1) 第一个参数为需要分词的字符串 
+ 2）cut_all参数用来控制是否采用全模式
jieba.cut_for_search方法接受一个参数：
+ 需要分词的字符串,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gbk字符串、utf-8字符串或者unicode

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)，也可以用list(jieba.cut(…))转化为list

代码示例

#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)

输出为:

Output: 
【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

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

1	jieba.load_userdict(file_name) # file_name为自定义词典的路径

词典格式和dict.txt一样，一个词占一行；每一行分三部分，一部分为词语，另一部分为词频，最后为词性（可省略），用空格隔开
范例：
1
2
3
4
5
6
7
自定义词典：
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


#encoding=utf-8  
import sys  
sys.path.append("../")  
import jieba  
jieba.load_userdict("userdict.txt")  
import jieba.posseg as pseg  
  
test_sent = "李小福是创新办主任也是云计算方面的专家;"  
test_sent += "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类型"  
words = jieba.cut(test_sent)  
for w in words:  
print w  
  
result = pseg.cut(test_sent)  
  
for w in result:  
print w.word, "/", w.flag, ", ",  
  
print "\n========"  
  
terms = jieba.cut('easy_install is great')  
for t in terms:  
    print t  
print '-------------------------'  
terms = jieba.cut('python 的正则表达式是好用的')  
for t in terms:  
    print t

之前：李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 / 加载自定义词库后：李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /
“通过用户自定义词典来增强歧义纠错能力”

关键词提取

1	jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse

说明
setence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

代码示例（关键词提取）

import sys  
sys.path.append('../')  
  
import jieba  
import jieba.analyse  
from optparse import OptionParser  
  
USAGE = "usage: python extract_tags.py [file name] -k [top k]"  
  
parser = OptionParser(USAGE)  
parser.add_option("-k", dest="topK")  
opt, args = parser.parse_args()  
  
‘’‘  
if len(args) < 1:  
    print USAGE  
    sys.exit(1)  
  
file_name = args[0]  
’‘’  
file_name=u"D:XXX/xx/xx.txt"  
if opt.topK is None:  
    topK = 10  
else:  
    topK = int(opt.topK)  
  
content = open(file_name, 'rb').read()  
  
tags = jieba.analyse.extract_tags(content, topK=topK)  
  
print ",".join(tags)

词性标注

标注句子分词后每个词的词性，采用和ictclas兼容的标记法

用法示例

>>> import jieba.posseg as pseg  
>>> words = pseg.cut("我爱北京天安门")  
>>> for w in words:  
...    print w.word, w.flag  
...  
我 r  
爱 v  
北京 ns  
天安门 ns

并行分词

原理：将目标文本按行分隔后，把各行文本分配到多个python进程并行分词，然后归并结果，从而获得分词速度的可观提升基于python自带的multiprocessing模块，目前暂不支持windows

1 2	jieba.enable_parallel(4) # 开启并行分词模式，参数为并行进程数 jieba.disable_parallel() # 关闭并行分词模式

用法示例

import urllib2  
import sys,time  
import sys  
sys.path.append("../../")  
import jieba  
jieba.enable_parallel(4)  
  
url = sys.argv[1]  
content = open(url,"rb").read()  
t1 = time.time()  
words = list(jieba.cut(content))  
  
t2 = time.time()  
tm_cost = t2-t1  
  
log_f = open("1.log","wb")  
for w in words:  
print >> log_f, w.encode("utf-8"), "/" ,  
  
print 'speed' , len(content)/tm_cost, " bytes/second"

实验结果：在4核3.4GHz Linux机器上，对金庸全集进行精确分词，获得了1MB/s的速度，是单进程版的3.3倍。
其他词典

占用内存较小的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small
支持繁体分词更好的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big 下载你所需要的词典，然后覆盖jieba/dict.txt 即可或者用jieba.set_dictionary(‘data/dict.txt.big’)

模块初始化机制的改变:lazy load （从0.28版本开始）
jieba采用延迟加载，”import jieba”不会立即触发词典的加载，一旦有必要才开始加载词典构建trie。如果你想手工初始jieba，也可以手动初始化。

Tokenize：返回词语在原文的起始位置

注意，输入参数只接受unicode

ChineseAnalyzer for Whoosh搜索引擎

引用： from jieba.analyse import ChineseAnalyzer
用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py

python结巴分词jieba技术集成应用说明

About-简介说明

Install-安装

Usage-应用

分词

添加自定义词典

关键词提取

词性标注

并行分词

Tokenize：返回词语在原文的起始位置

ChineseAnalyzer for Whoosh搜索引擎

谢谢大爷,欢迎再来~