jieba使用
jieba
“結巴”中文分詞：做最好的 Python 中文分詞組件
“Jieba” (Chinese for “to stutter”) Chinese text segmentation: built to be the best Python Chinese word segmentation module.
特點
1.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，把句子中所有的可以成詞的詞語都掃描出來, 速度非常快，但是不能解決歧義；
搜索引擎模式，在精確模式的基礎上，對長詞再次切分，提高召回率，適合用于搜索引擎分詞。
2.支持繁體分詞
3.支持自定義詞典
4.MIT 授權協議
友情鏈接
https://github.com/baidu/lac 百度中文詞法分析（分詞+詞性+專名）系統
https://github.com/baidu/AnyQ 百度FAQ自動問答系統
https://github.com/baidu/Senta 百度情感識別系統
安裝說明
代碼對 Python 2/3 均兼容
1.全自動安裝：easy_install jieba 或者 pip install jieba / pip3 install jieba
2.半自動安裝：先下載 http://pypi.python.org/pypi/jieba/ ，解壓后運行 python setup.py install
3.手動安裝：將 jieba 目錄放置于當前目錄或者 site-packages 目錄
4.通過 import jieba 來引用
算法
基于前綴詞典實現高效的詞圖掃描，生成句子中漢字所有可能成詞情況所構成的有向無環圖 (DAG)
采用了動態規劃查找最大概率路徑, 找出基于詞頻的最大切分組合
對于未登錄詞，采用了基于漢字成詞能力的 HMM 模型，使用了 Viterbi 算法
主要功能
1.分詞
（1）jieba.cut 方法接受三個輸入參數: 需要分詞的字符串；cut_all 參數用來控制是否采用全模式；HMM 參數用來控制是否使用 HMM 模型
（2）jieba.cut_for_search 方法接受兩個參數：需要分詞的字符串；是否使用 HMM 模型。該方法適合用于搜索引擎構建倒排索引的分詞，粒度比較細
（3）待分詞的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建議直接輸入 GBK 字符串，可能無法預料地錯誤解碼成 UTF-8
（4）jieba.cut 以及 jieba.cut_for_search 返回的結構都是一個可迭代的 generator，可以使用 for 循環來獲得分詞后得到的每一個詞語(unicode)，或者用
（5）jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
（6）jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定義分詞器，可用于同時使用不同詞典。jieba.dt 為默認分詞器，所有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 jiebaseg_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("小明碩士畢業于中國科學院計算所，后在日本京都大學深造") # 搜索引擎模式 print(", ".join(seg_list))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”并沒有在詞典中，但是也被Viterbi算法識別出來了)【搜索引擎模式】： 小明, 碩士, 畢業, 于, 中國, 科學, 學院, 科學院, 中國科學院, 計算, 計算所, 后, 在, 日本, 京都, 大學, 日本京都大學, 深造2.添加自定義詞典
載入詞典
開發者可以指定自己自定義的詞典，以便包含 jieba 詞庫里沒有的詞。雖然 jieba 有新詞識別能力，但是自行添加新詞可以保證更高的正確率
用法： jieba.load_userdict(file_name) #file_name 為文件類對象或自定義詞典的路徑
詞典格式和 dict.txt 一樣，一個詞占一行；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 若為路徑或二進制方式打開的文件，則文件必須為 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 云計算 5 凱特琳 nz 臺中更改分詞器（默認為 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，用于受限的文件系統。
范例：
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
之前： 李小福 / 是 / 創新 / 辦 / 主任 / 也 / 是 / 云 / 計算 / 方面 / 的 / 專家 /
加載自定義詞庫后： 李小福 / 是 / 創新辦 / 主任 / 也 / 是 / 云計算 / 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('如果放到post中將出錯。', HMM=False))) 如果/放到/post/中將/出錯/。 >>> jieba.suggest_freq(('中', '將'), True) 494 >>> print('/'.join(jieba.cut('如果放到post中將出錯。', HMM=False))) 如果/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“通過用戶自定義詞典來增強歧義糾錯能力” — https://github.com/fxsjy/jieba/issues/14
3.關鍵詞提取
基于 TF-IDF 算法的關鍵詞抽取
import jieba.analysejieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
sentence 為待提取的文本 topK 為返回幾個 TF/IDF 權重最大的關鍵詞，默認值為 20 withWeight 為是否一并返回關鍵詞權重值，默認值為 False allowPOS 僅包括指定詞性的詞，默認值為空，即不篩選jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 實例，idf_path 為 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）文本語料庫可以切換成自定義語料庫的路徑
用法： jieba.analyse.set_idf_path(file_name) # file_name為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關鍵詞提取所使用停止詞（Stop Words）文本語料庫可以切換成自定義語料庫的路徑
用法： jieba.analyse.set_stop_words(file_name) # file_name為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關鍵詞一并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基于 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:
（1）將待抽取關鍵詞的文本進行分詞
（2）以固定窗口大小(默認為5，通過span屬性調整)，詞之間的共現關系，構建圖
（3）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.詞性標注
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 為默認詞性標注分詞器。 標注句子分詞后每個詞的詞性，采用和 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 ns5.并行分詞
原理：將目標文本按行分隔后，把各行文本分配到多個 Python 進程并行分詞，然后歸并結果，從而獲得分詞速度的可觀提升
基于 python 自帶的 multiprocessing 模塊，目前暫不支持 Windows
用法：
jieba.enable_parallel(4) # 開啟并行分詞模式，參數為并行進程數
jieba.disable_parallel() # 關閉并行分詞模式
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，獲得了 1MB/s 的速度，是單進程版的 3.3 倍。
注意：并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
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
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]))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
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 顯示此幫助信息并退出-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]啟用詞性標注；如果指定 DELIM，詞語和詞性之間用它分隔，否則用 _ 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 作為附加詞典，與默認詞典或自定義詞典配合使用-a, --cut-all 全模式分詞（不支持詞性標注）-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 顯示版本信息并退出如果沒有指定文件名，則使用標準輸入。–help 選項輸出：
$> python -m jieba --help Jieba command line interface.positional arguments:filename input fileoptional arguments:-h, --help show this help message and exit-d [DELIM], --delimiter [DELIM]use DELIM instead of ' / ' for word delimiter; or aspace if it is used without DELIM-p [DELIM], --pos [DELIM]enable POS tagging; if DELIM is specified, use DELIMinstead of '_' for POS delimiter-D DICT, --dict DICT use DICT as dictionary-u USER_DICT, --user-dict USER_DICTuse USER_DICT together with the default dictionary orDICT (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 exitIf no filename specified, use STDIN instead.延遲加載機制
jieba 采用延遲加載，import jieba 和 jieba.Tokenizer() 不會立即觸發詞典的加載，一旦有必要才開始加載詞典構建前綴字典。如果你想手工初始 jieba，也可以手動初始化。
import jieba jieba.initialize() # 手動初始化（可選）在 0.28 之前的版本是不能指定主詞典的路徑的，有了延遲加載機制后，你可以改變主詞典的路徑:
jieba.set_dictionary('data/dict.txt.big')例子： https://github.com/fxsjy/jieba/blob/master/test/test_change_dictpath.py
其他詞典
1.占用內存較小的詞典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small
2.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
下載你所需要的詞典，然后覆蓋 jieba/dict.txt 即可；或者用 jieba.set_dictionary(‘data/dict.txt.big’)
其他語言實現
結巴分詞 Java 版本
作者：piaolingxue 地址：https://github.com/huaban/jieba-analysis
結巴分詞 C++ 版本
作者：yanyiwu 地址：https://github.com/yanyiwu/cppjieba
結巴分詞 Rust 版本
作者：messense, MnO2 地址：https://github.com/messense/jieba-rs
結巴分詞 Node.js 版本
作者：yanyiwu 地址：https://github.com/yanyiwu/nodejieba
結巴分詞 Erlang 版本
作者：falood 地址：https://github.com/falood/exjieba
結巴分詞 R 版本
作者：qinwf 地址：https://github.com/qinwf/jiebaR
結巴分詞 iOS 版本
作者：yanyiwu 地址：https://github.com/yanyiwu/iosjieba
結巴分詞 PHP 版本
作者：fukuball 地址：https://github.com/fukuball/jieba-php
結巴分詞 .NET(C#) 版本
作者：anderscui 地址：https://github.com/anderscui/jieba.NET/
結巴分詞 Go 版本
作者: wangbin 地址: https://github.com/wangbin/jiebago
作者: yanyiwu 地址: https://github.com/yanyiwu/gojieba
結巴分詞Android版本
作者 Dongliang.W 地址：https://github.com/452896915/jieba-android
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? Core? 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”總是被切成“臺 中”？（以及類似情況）
P(臺中) ＜ P(臺)×P(中)，“臺中”詞頻不夠導致其成詞概率較低
解決方法：強制調高詞頻
3. “今天天氣 不錯”應該被切成“今天 天氣 不錯”？（以及類似情況）
解決方法：強制調低詞頻
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
jieba.cut('豐田太省了', HMM=False) jieba.cut('我們中出了一個叛徒', HMM=False)更多問題請點擊：https://github.com/fxsjy/jieba/issues?sort=updated&state=closed
Main Functions
1.Cut
（1）The jieba.cut function accepts three input parameters: the first parameter is the string to be cut; the second parameter is cut_all, controlling the cut mode; the third parameter is to control whether to use the Hidden Markov Model.
（2）jieba.cut_for_search accepts two parameter: the string to be cut; whether to use the Hidden Markov Model. This will cut the sentence into short words suitable for search engines.
（3）The input string can be an unicode/str object, or a str/bytes object which is encoded in UTF-8 or GBK. Note that using GBK encoding is not recommended because it may be unexpectly decoded as UTF-8.
（4）jieba.cut and jieba.cut_for_search returns an generator, from which you can use a for loop to get the segmentation result (in unicode).
（5）jieba.lcut and jieba.lcut_for_search returns a list.
（6）jieba.Tokenizer(dictionary=DEFAULT_DICT) creates a new customized Tokenizer, which enables you to use different dictionaries at the same time. jieba.dt is the default Tokenizer, to which almost all global functions are mapped.
Code example: segmentation
#encoding=utf-8 import jiebaseg_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)) # 默認模式seg_list = jieba.cut("他來到了網易杭研大廈") print(", ".join(seg_list))seg_list = jieba.cut_for_search("小明碩士畢業于中國科學院計算所，后在日本京都大學深造") # 搜索引擎模式 print(", ".join(seg_list))Output:
[Full Mode]: 我/ 來到/ 北京/ 清華/ 清華大學/ 華大/ 大學[Accurate Mode]: 我/ 來到/ 北京/ 清華大學[Unknown Words Recognize] 他, 來到, 了, 網易, 杭研, 大廈 (In this case, "杭研" is not in the dictionary, but is identified by the Viterbi algorithm)[Search Engine Mode]： 小明, 碩士, 畢業, 于, 中國, 科學, 學院, 科學院, 中國科學院, 計算, 計算所, 后, 在, 日本, 京都, 大學, 日本京都大學, 深造2.Add a custom dictionary
Load dictionary
（1）Developers can specify their own custom dictionary to be included in the jieba default dictionary. Jieba is able to identify new words, but you can add your own new words can ensure a higher accuracy.
（2）Usage： jieba.load_userdict(file_name) # file_name is a file-like object or the path of the custom dictionary
（3）The dictionary format is the same as that of dict.txt: one word per line; each line is divided into three parts separated by a space: word, word frequency, POS tag. If file_name is a path or a file opened in binary mode, the dictionary must be UTF-8 encoded.
（4）The word frequency and POS tag can be omitted respectively. The word frequency will be filled with a suitable value if omitted.
For example:
創新辦 3 i 云計算 5 凱特琳 nz 臺中Change a Tokenizer’s tmp_dir and cache_file to specify the path of the cache file, for using on a restricted file system.
Example:
云計算 5李小福 2創新辦 3[Before]： 李小福 / 是 / 創新 / 辦 / 主任 / 也 / 是 / 云 / 計算 / 方面 / 的 / 專家 /[After]： 李小福 / 是 / 創新辦 / 主任 / 也 / 是 / 云計算 / 方面 / 的 / 專家 /Modify dictionary
Use add_word(word, freq=None, tag=None) and del_word(word) to modify the dictionary dynamically in programs.Use suggest_freq(segment, tune=True) to adjust the frequency of a single word so that it can (or cannot) be segmented.Note that HMM may affect the final result.Example:
>>> print('/'.join(jieba.cut('如果放到post中將出錯。', HMM=False))) 如果/放到/post/中將/出錯/。 >>> jieba.suggest_freq(('中', '將'), True) 494 >>> print('/'.join(jieba.cut('如果放到post中將出錯。', HMM=False))) 如果/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3.Keyword Extraction
import jieba.analysejieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
sentence: the text to be extracted topK: return how many keywords with the highest TF/IDF weights. The default value is 20 withWeight: whether return TF/IDF weights with the keywords. The default value is False allowPOS: filter words with which POSs are included. Empty for no filtering. jieba.analyse.TFIDF(idf_path=None) creates a new TFIDF instance, idf_path specifies IDF file path.Example (keyword extraction)
https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py
Developers can specify their own custom IDF corpus in jieba keyword extraction
Usage： jieba.analyse.set_idf_path(file_name) # file_name is the path for the custom corpus Custom Corpus Sample：https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big Sample Code：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.pyDevelopers can specify their own custom stop words corpus in jieba keyword extraction
Usage： jieba.analyse.set_stop_words(file_name) # file_name is the path for the custom corpus Custom Corpus Sample：https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt Sample Code：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.pyThere’s also a TextRank implementation available.
Use: jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))Note that it filters POS by default.
jieba.analyse.TextRank() creates a new TextRank instance.4.Part of Speech Tagging
（1）jieba.posseg.POSTokenizer(tokenizer=None) creates a new customized Tokenizer. tokenizer specifies the jieba.Tokenizer to internally use. jieba.posseg.dt is the default POSTokenizer.
（2）Tags the POS of each word after segmentation, using labels compatible with ictclas.
Example:
5.Parallel Processing
Principle: Split target text by line, assign the lines into multiple Python processes, and then merge the results, which is considerably faster.
Based on the multiprocessing module of Python.
Usage:
jieba.enable_parallel(4) # Enable parallel processing. The parameter is the number of processes.
jieba.disable_parallel() # Disable parallel processing.
Example: https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py
Result: On a four-core 3.4GHz Linux machine, do accurate word segmentation on Complete Works of Jin Yong, and the speed reaches 1MB/s, which is 3.3 times faster than the single-process version.
Note that parallel processing supports only default tokenizers, jieba.dt and jieba.posseg.dt.
6.Tokenize: return words with position
The input must be unicode
Default mode
Search mode
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]))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:107.ChineseAnalyzer for Whoosh
from jieba.analyse import ChineseAnalyzerExample: https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py
總結
- 上一篇： 判断一个字符串是否为回文的递归算法
- 下一篇： 学不会的JAVA，消不了的忧愁！ 1