煩煩煩( ˇ?ˇ )

http://www.oschina.net/p/jieba/ 搬運工。。。。。

jieba

"結巴"中文分詞：做最好的Python中文分詞組件 "Jieba"。

Feature

• 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（如何上傳自己的詞典呢，詞典的結構又是什麽樣子的呢）

Algorithm

• • 基於Trie樹結構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

功能 1)：分詞

• jieba.cut方法接受兩個輸入參數: 1) 第一個參數為需要分詞的字符串 2）cut_all參數用來控制是否采用全模式

• jieba.cut_for_search方法接受一個參數：需要分詞的字符串,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

• 註意：待分詞的字符串可以是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)，也可以用list(jieba.cut(...))轉化為list

代碼示例( 分詞 )

功能 2) ：添加自定義詞典

• • • 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，一部分為詞語，另一部分為詞頻，最後為詞性（可省略），用空格隔開

    • 範例：

• 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 /

    • 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

    • "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

功能 3) ：關鍵詞提取

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

• setence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

代碼示例 （關鍵詞提取）

功能 4) : 詞性標註

• • • • 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

功能 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，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。

功能 6) : Tokenize：返回詞語在原文的起始位置

• • • • • 註意，輸入參數只接受unicode

        • 默認模式

功能 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

jieba分詞工具的使用