1. 程式人生 > >Python第三方庫jieba(結巴-中文分詞)入門與進階(官方文檔)

Python第三方庫jieba(結巴-中文分詞)入門與進階(官方文檔)

修改 demo 特點 pypi nlp CA 動態修改 tag 官方文檔

jieba

“結巴”中文分詞:做最好的 Python 中文分詞組件。下載地址:https://github.com/fxsjy/jieba

特點

  • 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,適合用於搜索引擎分詞。
  • 支持繁體分詞

  • 支持自定義詞典

  • MIT 授權協議

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
  • 通過 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, 找出基於詞頻的最大切分組合
  • 對於未登錄詞,采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: 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
  • 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
  • 待分詞的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。註意: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
  • jieba.cut 以及 jieba.cut_for_search 返回的結構都是一個可叠代的 generator,可以使用 for 循環來獲得分詞後得到的每一個詞語(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 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))

  

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, 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. 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 詞庫裏沒有的詞。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
雲計算 5
凱特琳 nz
臺中
  • 更改分詞器(默認為 jieba.dt)的 tmp_dircache_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

      • 之前: 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) 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。

  • 註意: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
  1. 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 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 為是否一並返回關鍵詞權重值,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

關鍵詞一並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,註意默認過濾詞性。
  • 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,註意是無向帶權圖

使用示例:

見 test/demo.py

  1. 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 為默認詞性標註分詞器。
  • 標註句子分詞後每個詞的詞性,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 ns

  

  1. 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,然後歸並結果,從而獲得分詞速度的可觀提升

  • 基於 python 自帶的 multiprocessing 模塊,目前暫不支持 Windows

  • 用法:

    • jieba.enable_parallel(4) # 開啟並行分詞模式,參數為並行進程數
    • 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,獲得了 1MB/s 的速度,是單進程版的 3.3 倍。

  • 註意:並行分詞僅支持默認分詞器 jieba.dt jieba.posseg.dt

  1. Tokenize:返回詞語在原文的起止位置

  • 註意,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]))
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

  

  1. 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
  1. 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]
                        啟用詞性標註;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

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 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.

  

延遲加載機制

jieba 采用延遲加載,import jiebajieba.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,有了延遲加載機制後,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,然後覆蓋 jieba/dict.txt 即可;或者用 jieba.set_dictionary(‘data/dict.txt.big‘)

Python第三方庫jieba(結巴-中文分詞)入門與進階(官方文檔)