jieba分詞工具的使用
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