python 結巴分詞(jieba)詳解
【轉自：https://www.cnblogs.com/jackchen-Net/p/8207009.html】
“結巴”中文分詞：做最好的 Python 中文分片語件
"Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module.
- Scroll down for English documentation.
特點
-
支援三種分詞模式：
- 精確模式，試圖將句子最精確地切開，適合文字分析；
- 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；
- 搜尋引擎模式，在精確模式的基礎上，對長詞再次切分，提高召回率，適合用於搜尋引擎分詞。
-
支援繁體分詞
- 支援自定義詞典
- MIT 授權協議
安裝說明
程式碼對 Python 2/3 均相容
- 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/，解壓後執行
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
演算法
- 基於字首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)
- 採用了動態規劃查詢最大概率路徑, 找出基於詞頻的最大切分組合
- 對於未登入詞，採用了基於漢字成詞能力的 HMM 模型，使用了 Viterbi 演算法
主要功能
1. 分詞
jieba.cut方法接受三個輸入引數: 需要分詞的字串；cut_all 引數用來控制是否採用全模式；HMM 引數用來控制是否使用 HMM 模型jieba.cut_for_search方法接受兩個引數：需要分詞的字串；是否使用 HMM 模型。該方法適合用於搜尋引擎構建倒排索引的分詞，粒度比較細- 待分詞的字串可以是 unicode 或 UTF-8 字串、GBK 字串。注意：不建議直接輸入 GBK 字串，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迭代的 generator，可以使用 for 迴圈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 listjieba.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為預設分詞器，所有全域性分詞相關函式都是該分詞器的對映。
程式碼示例
# 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") # 預設是精確模式
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") # 搜尋引擎模式
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演算法識別出來了)
【搜尋引擎模式】： 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
2. 新增自定義詞典
載入詞典
- 開發者可以指定自己自定義的詞典，以便包含 jieba 詞庫裡沒有的詞。雖然 jieba 有新詞識別能力，但是自行新增新詞可以保證更高的正確率
- 用法： jieba.load_userdict(file_name) # file_name 為檔案類物件或自定義詞典的路徑
- 詞典格式和
dict.txt一樣，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若為路徑或二進位制方式開啟的檔案，則檔案必須為 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
雲端計算 5
凱特琳 nz
臺中
-
更改分詞器（預設為
jieba.dt）的tmp_dir和cache_file屬性，可分別指定快取檔案所在的資料夾及其檔名，用於受限的檔案系統。 -
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 /
-
載入自定義詞庫後： 李小福 / 是 / 創新辦 / 主任 / 也 / 是 / 雲端計算 / 方面 / 的 / 專家 /
-
-
調整詞典
- 使用
add_word(word, freq=None, tag=None)和del_word(word)可在程式中動態修改詞典。 -
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。
程式碼示例：
>>> 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
-
"通過使用者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
基於 TF-IDF 演算法的關鍵詞抽取
import jieba.analyse
- jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
- sentence 為待提取的文字
- topK 為返回幾個 TF/IDF 權重最大的關鍵詞，預設值為 20
- withWeight 為是否一併返回關鍵詞權重值，預設值為 False
- allowPOS 僅包括指定詞性的詞，預設值為空，即不篩選
- jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 例項，idf_path 為 IDF 頻率檔案
程式碼示例 （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檔案頻率（IDF）文字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）文字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
關鍵詞一併返回關鍵詞權重值示例
基於 TextRank 演算法的關鍵詞抽取
- jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) 直接使用，介面相同，注意預設過濾詞性。
- jieba.analyse.TextRank() 新建自定義 TextRank 例項
演算法論文： TextRank: Bringing Order into Texts
- 將待抽取關鍵詞的文字進行分詞
- 以固定視窗大小(預設為5，通過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
4. 詞性標註
jieba.posseg.POSTokenizer(tokenizer=None)新建自定義分詞器，tokenizer引數可指定內部使用的jieba.Tokenizer分詞器。jieba.posseg.dt為預設詞性標註分詞器。- 標註句子分詞後每個詞的詞性，採用和 ictclas 相容的標記法。
- 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
5. 並行分詞
- 原理：將目標文字按行分隔後，把各行文字分配到多個 Python 程序並行分詞，然後歸併結果，從而獲得分詞速度的可觀提升
- 基於 python 自帶的 multiprocessing 模組，目前暫不支援 Windows
-
用法：
jieba.enable_parallel(4)# 開啟並行分詞模式，引數為並行程序數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，是單程序版的 3.3 倍。
-
注意：並行分詞僅支援預設分詞器
jieba.dt和jieba.posseg.dt。
6. Tokenize：返回詞語在原文的起止位置
- 注意，輸入引數只接受 unicode
- 預設模式
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
- 搜尋模式
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 搜尋引擎
- 引用：
from jieba.analyse import ChineseAnalyzer -
用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py
8. 命令列分詞
使用示例：python -m jieba news.txt > cut_result.txt
命令列選項（翻譯）：
使用: python -m jieba [options] filename
結巴命令列介面。
固定引數:
filename 輸入檔案
可選引數:
-h, --help 顯示此幫助資訊並退出
-d [DELIM], --delimiter [DELIM]
使用 DELIM 分隔詞語，而不是用預設的' / '。
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 代替預設詞典
-u USER_DICT, --user-dict USER_DICT
使用 USER_DICT 作為附加詞典，與預設詞典或自定義詞典配合使用
-a, --cut-all 全模式分詞（不支援詞性標註）
-n, --no-hmm 不使用隱含馬爾可夫模型
-q, --quiet 不輸出載入資訊到 STDERR
-V, --version 顯示版本資訊並退出
如果沒有指定檔名，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.
延遲載入機制
jieba 採用延遲載入，import jieba 和 jieba.Tokenizer() 不會立即觸發詞典的載入，一旦有必要才開始載入詞典構建字首字典。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，有了延遲載入機制後，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
原始碼：
原始碼下載的地址：https://github.com/fxsjy/jieba
演示地址：http://jiebademo.ap01.aws.af.cm/