jieba

"結巴"中文分詞：做最好的Python中文分片語件 "Jieba" 

Feature

• 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

線上演示

(Powered by Appfog)

Python 2.x 下的安裝

• 全自動安裝：easy_install jieba 或者 pip install jieba

• 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 （第一次import時需要構建Trie樹，需要幾秒時間）

Python 3.x 下的安裝

• 目前master分支是隻支援Python2.x 的

• git clone https://github.com/fxsjy/jieba.git
  git checkout jieba3k
  python setup.py install

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)

• 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

功能 1)：分詞

• jieba.cut方法接受兩個輸入引數: 1) 第一個引數為需要分詞的字串 2）cut_all引數用來控制是否採用全模式

• jieba.cut_for_search方法接受一個引數：需要分詞的字串,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

• 注意：待分詞的字串可以是gbk字串、utf-8字串或者unicode

• 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)，也可以用list(jieba.cut(...))轉化為list

程式碼示例( 分詞 )

#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)

Output:

【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

功能 2) ：新增自定義詞典

• 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，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

功能 3) ：關鍵詞提取

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

• setence為待提取的文字

• topK為返回幾個TF/IDF權重最大的關鍵詞，預設值為20

程式碼示例 （關鍵詞提取）

https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py

功能 4) : 詞性標註

• 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 w in words:
  ...    print w.word,w.flag
  ...
  我 r
  愛 v
  北京 ns
  天安門 ns

功能 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

• 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。

功能 6) : Tokenize：返回詞語在原文的起始位置

• 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

功能 7) : ChineseAnalyzer for Whoosh搜尋引擎

其他詞典

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')

模組初始化機制的改變:lazy load （從0.28版本開始）

jieba採用延遲載入，"import jieba"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trie。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')

分詞速度

• 1.5 MB / Second in Full Mode

• 400 KB / Second in Default Mode

• Test Env: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《圍城》.txt

常見問題

Change Log