python第三方庫------jieba庫(中文分詞)

jieba
「結巴」中文分詞：作最好的 Python 中文分詞組件
github:https://github.com/fxsjy/jieba

特色
支持三種分詞模式：

精確模式，試圖將句子最精確地切開，適合文本分析；
全模式，把句子中全部的能夠成詞的詞語都掃描出來, 速度很是快，可是不能解決歧義；
搜索引擎模式，在精確模式的基礎上，對長詞再次切分，提升召回率，適合用於搜索引擎分詞。
支持繁體分詞

支持自定義詞典
MIT 受權協議
安裝說明
代碼對 Python 2/3 均兼容

全自動安裝：easy_install jieba 或者 pip install jieba / pip3 install jieba
半自動安裝：先下載 http://pypi.python.org/pypi/jieba/ ，解壓後運行 python setup.py install
手動安裝：將 jieba 目錄放置於當前目錄或者 site-packages 目錄
經過 import jieba 來引用
算法
基於前綴詞典實現高效的詞圖掃描，生成句子中漢字全部可能成詞狀況所構成的有向無環圖 (DAG)
採用了動態規劃查找最大機率路徑, 找出基於詞頻的最大切分組合
對於未登陸詞，採用了基於漢字成詞能力的 HMM 模型，使用了 Viterbi 算法
主要功能
1. 分詞
jieba.cut 方法接受三個輸入參數: 須要分詞的字符串；cut_all 參數用來控制是否採用全模式；HMM 參數用來控制是否使用 HMM 模型
jieba.cut_for_search 方法接受兩個參數：須要分詞的字符串；是否使用 HMM 模型。該方法適合用於搜索引擎構建倒排索引的分詞，粒度比較細
待分詞的字符串能夠是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建議直接輸入 GBK 字符串，可能沒法預料地錯誤解碼成 UTF-8
jieba.cut 以及 jieba.cut_for_search 返回的結構都是一個可迭代的 generator，可使用 for 循環來得到分詞後獲得的每個詞語(unicode)，或者用
jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定義分詞器，可用於同時使用不一樣詞典。jieba.dt 爲默認分詞器，全部全局分詞相關函數都是該分詞器的映射。
代碼示例

# encoding=utf-8
import jieba

seg_list = jieba.cut("我來到北京清華大學", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list)) # 全模式

seg_list = jieba.cut("我來到北京清華大學", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list)) # 精確模式

seg_list = jieba.cut("他來到了網易杭研大廈") # 默認是精確模式
print(", ".join(seg_list))

seg_list = jieba.cut_for_search("小明碩士畢業於中國科學院計算所，後在日本京都大學深造") # 搜索引擎模式
print(", ".join(seg_list))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
輸出:

【全模式】: 我/ 來到/ 北京/ 清華/ 清華大學/ 華大/ 大學

【精確模式】: 我/ 來到/ 北京/ 清華大學

【新詞識別】：他, 來到, 了, 網易, 杭研, 大廈 (此處，「杭研」並無在詞典中，可是也被Viterbi算法識別出來了)

【搜索引擎模式】： 小明, 碩士, 畢業, 於, 中國, 科學, 學院, 科學院, 中國科學院, 計算, 計算所, 後, 在, 日本, 京都, 大學, 日本京都大學, 深造
1
2
3
4
5
6
7
2. 添加自定義詞典
載入詞典
開發者能夠指定本身自定義的詞典，以便包含 jieba 詞庫裏沒有的詞。雖然 jieba 有新詞識別能力，可是自行添加新詞能夠保證更高的正確率
用法： jieba.load_userdict(file_name) # file_name 爲文件類對象或自定義詞典的路徑
詞典格式和 dict.txt 同樣，一個詞佔一行；每一行分三部分：詞語、詞頻（可省略）、詞性（可省略），用空格隔開，順序不可顛倒。file_name 若爲路徑或二進制方式打開的文件，則文件必須爲 UTF-8 編碼。
詞頻省略時使用自動計算的能保證分出該詞的詞頻。
例如：

創新辦 3 i
雲計算 5
凱特琳 nz
臺中
1
2
3
4
更改分詞器（默認爲 jieba.dt）的 tmp_dir 和 cache_file 屬性，可分別指定緩存文件所在的文件夾及其文件名，用於受限的文件系統。

範例：

自定義詞典：https://github.com/fxsjy/jieba/blob/master/test/userdict.txt

用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py

以前： 李小福 / 是 / 創新 / 辦 / 主任 / 也 / 是 / 雲 / 計算 / 方面 / 的 / 專家 /

加載自定義詞庫後：　李小福 / 是 / 創新辦 / 主任 / 也 / 是 / 雲計算 / 方面 / 的 / 專家 /

調整詞典
使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中動態修改詞典。
使用 suggest_freq(segment, tune=True) 可調節單個詞語的詞頻，使其能（或不能）被分出來。

注意：自動計算的詞頻在使用 HMM 新詞發現功能時可能無效。

代碼示例：

>>> print('/'.join(jieba.cut('若是放到post中將出錯。', HMM=False)))
若是/放到/post/中將/出錯/。
>>> jieba.suggest_freq(('中', '將'), True)
494
>>> print('/'.join(jieba.cut('若是放到post中將出錯。', HMM=False)))
若是/放到/post/中/將/出錯/。
>>> print('/'.join(jieba.cut('「臺中」正確應該不會被切開', HMM=False)))
「/臺/中/」/正確/應該/不會/被/切開
>>> jieba.suggest_freq('臺中', True)
69
>>> print('/'.join(jieba.cut('「臺中」正確應該不會被切開', HMM=False)))
「/臺中/」/正確/應該/不會/被/切開
1
2
3
4
5
6
7
8
9
10
11
12
「經過用戶自定義詞典來加強歧義糾錯能力」 — https://github.com/fxsjy/jieba/issues/14
3. 關鍵詞提取
基於 TF-IDF 算法的關鍵詞抽取
import jieba.analyse

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
sentence 爲待提取的文本
topK 爲返回幾個 TF/IDF 權重最大的關鍵詞，默認值爲 20
withWeight 爲是否一併返回關鍵詞權重值，默認值爲 False
allowPOS 僅包括指定詞性的詞，默認值爲空，即不篩選
jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 實例，idf_path 爲 IDF 頻率文件
代碼示例 （關鍵詞提取）

https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py

關鍵詞提取所使用逆向文件頻率（IDF）文本語料庫能夠切換成自定義語料庫的路徑

用法： jieba.analyse.set_idf_path(file_name) # file_name爲自定義語料庫的路徑
自定義語料庫示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big
用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.py
關鍵詞提取所使用中止詞（Stop Words）文本語料庫能夠切換成自定義語料庫的路徑

用法： jieba.analyse.set_stop_words(file_name) # file_name爲自定義語料庫的路徑
自定義語料庫示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt
用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.py
關鍵詞一併返回關鍵詞權重值示例

用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_with_weight.py
基於 TextRank 算法的關鍵詞抽取
jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=(‘ns’, ‘n’, ‘vn’, ‘v’)) 直接使用，接口相同，注意默認過濾詞性。
jieba.analyse.TextRank() 新建自定義 TextRank 實例
算法論文： TextRank: Bringing Order into Texts

基本思想:
將待抽取關鍵詞的文本進行分詞
以固定窗口大小(默認爲5，經過span屬性調整)，詞之間的共現關係，構建圖
計算圖中節點的PageRank，注意是無向帶權圖
使用示例:
見 test/demo.py

4. 詞性標註
jieba.posseg.POSTokenizer(tokenizer=None) 新建自定義分詞器，tokenizer 參數可指定內部使用的 jieba.Tokenizer 分詞器。jieba.posseg.dt 爲默認詞性標註分詞器。
標註句子分詞後每一個詞的詞性，採用和 ictclas 兼容的標記法。
用法示例
>>> import jieba.posseg as pseg
>>> words = pseg.cut("我愛北京天安門")
>>> for word, flag in words:
... print('%s %s' % (word, flag))
...
我 r
愛 v
北京 ns
天安門 ns
1
2
3
4
5
6
7
8
9
5. 並行分詞
原理：將目標文本按行分隔後，把各行文本分配到多個 Python 進程並行分詞，而後歸併結果，從而得到分詞速度的可觀提高
基於 python 自帶的 multiprocessing 模塊，目前暫不支持 Windows
用法：

jieba.enable_parallel(4) # 開啓並行分詞模式，參數爲並行進程數
jieba.disable_parallel() # 關閉並行分詞模式
例子：https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py

實驗結果：在 4 核 3.4GHz Linux 機器上，對金庸全集進行精確分詞，得到了 1MB/s 的速度，是單進程版的 3.3 倍。

注意：並行分詞僅支持默認分詞器 jieba.dt 和 jieba.posseg.dt。

6. Tokenize：返回詞語在原文的起止位置
注意，輸入參數只接受 unicode
默認模式
result = jieba.tokenize(u'永和服裝飾品有限公司')
for tk in result:
print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
1
2
3
word 永和 start: 0 end:2
word 服裝 start: 2 end:4
word 飾品 start: 4 end:6
word 有限公司 start: 6 end:10
1
2
3
4
5
搜索模式
result = jieba.tokenize(u'永和服裝飾品有限公司', mode='search')
for tk in result:
print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
1
2
3
word 永和 start: 0 end:2
word 服裝 start: 2 end:4
word 飾品 start: 4 end:6
word 有限 start: 6 end:8
word 公司 start: 8 end:10
word 有限公司 start: 6 end:10
1
2
3
4
5
6
7. 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
8. 命令行分詞
使用示例：python -m jieba news.txt > cut_result.txt

命令行選項（翻譯）：

使用: python -m jieba [options] filename

結巴命令行界面。

固定參數:
filename 輸入文件

可選參數:
-h, --help 顯示此幫助信息並退出
-d [DELIM], --delimiter [DELIM]
使用 DELIM 分隔詞語，而不是用默認的' / '。
若不指定 DELIM，則使用一個空格分隔。
-p [DELIM], --pos [DELIM]
啓用詞性標註；若是指定 DELIM，詞語和詞性之間
用它分隔，不然用 _ 分隔
-D DICT, --dict DICT 使用 DICT 代替默認詞典
-u USER_DICT, --user-dict USER_DICT
使用 USER_DICT 做爲附加詞典，與默認詞典或自定義詞典配合使用
-a, --cut-all 全模式分詞（不支持詞性標註）
-n, --no-hmm 不使用隱含馬爾可夫模型
-q, --quiet 不輸出載入信息到 STDERR
-V, --version 顯示版本信息並退出

若是沒有指定文件名，則使用標準輸入。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
--help 選項輸出：

$> python -m jieba --help
Jieba command line interface.

positional arguments:
filename input file

optional arguments:
-h, --help show this help message and exit
-d [DELIM], --delimiter [DELIM]
use DELIM instead of ' / ' for word delimiter; or a
space if it is used without DELIM
-p [DELIM], --pos [DELIM]
enable POS tagging; if DELIM is specified, use DELIM
instead of '_' for POS delimiter
-D DICT, --dict DICT use DICT as dictionary
-u USER_DICT, --user-dict USER_DICT
use USER_DICT together with the default dictionary or
DICT (if specified)
-a, --cut-all full pattern cutting (ignored with POS tagging)
-n, --no-hmm don't use the Hidden Markov Model
-q, --quiet don't print loading messages to stderr
-V, --version show program's version number and exit

If no filename specified, use STDIN instead.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
延遲加載機制
jieba 採用延遲加載，import jieba 和 jieba.Tokenizer() 不會當即觸發詞典的加載，一旦有必要纔開始加載詞典構建前綴字典。若是你想手工初始 jieba，也能夠手動初始化。

import jieba
jieba.initialize() # 手動初始化（可選）
1
2
在 0.28 以前的版本是不能指定主詞典的路徑的，有了延遲加載機制後，你能夠改變主詞典的路徑:

jieba.set_dictionary('data/dict.txt.big')
1
例子： https://github.com/fxsjy/jieba/blob/master/test/test_change_dictpath.py

其餘詞典
佔用內存較小的詞典文件
https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small

支持繁體分詞更好的詞典文件
https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big

下載你所須要的詞典，而後覆蓋 jieba/dict.txt 便可；或者用 jieba.set_dictionary('data/dict.txt.big')

其餘語言實現
結巴分詞 Java 版本
做者：piaolingxue
地址：https://github.com/huaban/jieba-analysis

結巴分詞 C++ 版本
做者：yanyiwu
地址：https://github.com/yanyiwu/cppjieba

結巴分詞 Node.js 版本
做者：yanyiwu
地址：https://github.com/yanyiwu/nodejieba

結巴分詞 Erlang 版本
做者：falood
地址：https://github.com/falood/exjieba

結巴分詞 R 版本
做者：qinwf
地址：https://github.com/qinwf/jiebaR

結巴分詞 iOS 版本
做者：yanyiwu
地址：https://github.com/yanyiwu/iosjieba

結巴分詞 PHP 版本
做者：fukuball
地址：https://github.com/fukuball/jieba-php

結巴分詞 .NET(C#) 版本
做者：anderscui
地址：https://github.com/anderscui/jieba.NET/

結巴分詞 Go 版本
做者: wangbin 地址: https://github.com/wangbin/jiebago
做者: yanyiwu 地址: https://github.com/yanyiwu/gojieba
系統集成
Solr: https://github.com/sing1ee/jieba-solr
分詞速度
1.5 MB / Second in Full Mode
400 KB / Second in Default Mode
測試環境: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《圍城》.txt
常見問題
1. 模型的數據是如何生成的？
詳見： https://github.com/fxsjy/jieba/issues/7

2. 「臺中」老是被切成「臺 中」？（以及相似狀況）
P(臺中) ＜ P(臺)×P(中)，「臺中」詞頻不夠致使其成詞機率較低

解決方法：強制調高詞頻

jieba.add_word('臺中') 或者 jieba.suggest_freq('臺中', True)

3. 「今每天氣 不錯」應該被切成「今天 天氣 不錯」？（以及相似狀況）
解決方法：強制調低詞頻

jieba.suggest_freq(('今天', '天氣'), True)

或者直接刪除該詞 jieba.del_word('今每天氣')

4. 切出了詞典中沒有的詞語，效果不理想？解決方法：關閉新詞發現