特點

1，支援三種分詞模式：

    a,精確模式，試圖將句子最精確地切開，適合文字分析； 
    b,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； 
    c,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。

2，支援繁體分詞

3，支援自定義詞典

安裝

1，Python 2.x 下的安裝

全自動安裝 ：easy_install jieba 或者 pip 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

2，Python 3.x 下的安裝

目前master分支是隻支援Python2.x 的 
Python3.x 版本的分支也已經基本可用： https://github.com/fxsjy/jieba/tree/jieba3k

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

演算法實現：

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

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)

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

雲端計算 5
李小福 2 nr
創新辦 3 i
easy_install 3 eng
好用 300
韓玉賞鑑 3 nz

#encoding=utf-8
import sys
sys.path.append("../")
import jieba
jieba.load_userdict("userdict.txt")
import jieba.posseg as pseg

test_sent = "李小福是創新辦主任也是雲端計算方面的專家;"
test_sent += "例如我輸入一個帶“韓玉賞鑑”的標題，在自定義詞庫中也增加了此詞為N型別"
words = jieba.cut(test_sent)
for w in words:
print w

result = pseg.cut(test_sent)

for w in result:
print w.word, "/", w.flag, ", ",

print "\n========"

terms = jieba.cut('easy_install is great')
for t in terms:
    print t
print '-------------------------'
terms = jieba.cut('python 的正則表示式是好用的')
for t in terms:
    print t

功能 3) ：關鍵詞提取 

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

說明

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）

import sys
sys.path.append('../')

import jieba
import jieba.analyse
from optparse import OptionParser

USAGE = "usage: python extract_tags.py [file name] -k [top k]"

parser = OptionParser(USAGE)
parser.add_option("-k", dest="topK")
opt, args = parser.parse_args()


if len(args) < 1:
    print USAGE
    sys.exit(1)

file_name = args[0]

if opt.topK is None:
    topK = 10
else:
    topK = int(opt.topK)

content = open(file_name, 'rb').read()

tags = jieba.analyse.extract_tags(content, topK=topK)

print ",".join(tags)

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

import urllib2
import sys,time
import sys
sys.path.append("../../")
import jieba
jieba.enable_parallel(4)

url = sys.argv[1]
content = open(url,"rb").read()
t1 = time.time()
words = list(jieba.cut(content))

t2 = time.time()
tm_cost = t2-t1

log_f = open("1.log","wb")
for w in words:
print >> log_f, w.encode("utf-8"), "/" ,

print 'speed' , len(content)/tm_cost, " bytes/second"

其他詞典

佔用記憶體較小的詞典檔案 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small 
支援繁體分詞更好的詞典檔案 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')

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）

jieba.set_dictionary('data/dict.txt.big')

#encoding=utf-8import sys
sys.path.append("../")
import jieba

def cuttest(test_sent):
result = jieba.cut(test_sent)
print" ".join(result)

def testcase():
cuttest("這是一個伸手不見五指的黑夜。我叫孫悟空，我愛北京，我愛Python和C++。")
cuttest("我不喜歡日本和服。")
cuttest("雷猴迴歸人間。")
cuttest("工信處女幹事每月經過下屬科室都要親口交代24口交換機等技術性器件的安裝工作")
cuttest("我需要廉租房")
cuttest("永和服裝飾品有限公司")
cuttest("我愛北京天安門")
cuttest("abc")
cuttest("隱馬爾可夫")
cuttest("雷猴是個好網站")

if __name__ == "__main__":
testcase()
jieba.set_dictionary("foobar.txt")
print"================================"

testcase()

Ag 形語素 形容詞性語素。形容詞程式碼為a，語素程式碼ｇ前面置以A。

a 形容詞 取英語形容詞adjective的第1個字母。

ad 副形詞 直接作狀語的形容詞。形容詞程式碼a和副詞程式碼d並在一起。

an 名形詞 具有名詞功能的形容詞。形容詞程式碼a和名詞程式碼n並在一起。

b 區別詞 取漢字“別”的聲母。

c 連詞 取英語連詞conjunction的第1個字母。

Dg 副語素 副詞性語素。副詞程式碼為d，語素程式碼ｇ前面置以D。

d 副詞 取adverb的第2個字母，因其第1個字母已用於形容詞。

e 嘆詞 取英語嘆詞exclamation的第1個字母。

f 方位詞 取漢字“方”

g 語素 絕大多數語素都能作為合成詞的“詞根”，取漢字“根”的聲母。

h 前接成分 取英語head的第1個字母。

i 成語 取英語成語idiom的第1個字母。

j 簡稱略語 取漢字“簡”的聲母。

k 後接成分

l 習用語 習用語尚未成為成語，有點“臨時性”，取“臨”的聲母。

m 數詞 取英語numeral的第3個字母，n，u已有他用。

Ng 名語素 名詞性語素。名詞程式碼為n，語素程式碼ｇ前面置以N。

n 名詞 取英語名詞noun的第1個字母。

nr 人名 名詞程式碼n和“人(ren)”的聲母並在一起。

ns 地名 名詞程式碼n和處所詞程式碼s並在一起。

nt 機構團體 “團”的聲母為t，名詞程式碼n和t並在一起。

nz 其他專名 “專”的聲母的第1個字母為z，名詞程式碼n和z並在一起。

o 擬聲詞 取英語擬聲詞onomatopoeia的第1個字母。

p 介詞 取英語介詞prepositional的第1個字母。

q 量詞 取英語quantit的第1個字母。

r 代詞 取英語代詞pronoun的第2個字母,因p已用於介詞。

s 處所詞 取英語space的第1個字母。

Tg 時語素 時間詞性語素。時間詞程式碼為t,在語素的程式碼g前面置以T。

t 時間詞 取英語time的第1個字母。

u 助詞 取英語助詞auxiliary

Vg 動語素 動詞性語素。動詞程式碼為v。在語素的程式碼g前面置以V。

v 動詞 取英語動詞verb的第一個字母。

vd 副動詞 直接作狀語的動詞。動詞和副詞的程式碼並在一起。

vn 名動詞 指具有名詞功能的動詞。動詞和名詞的程式碼並在一起。

w 標點符號

x 非語素字 非語素字只是一個符號，字母x通常用於代表未知數、符號。

y 語氣詞 取漢字“語”的聲母。

z 狀態詞 取漢字“狀”的聲母的前一個字母。
-------------------------------------------------------------------------------
a:        形容詞
b:        區別詞
c:        連詞
d:        副詞
e:        嘆詞
g:        語素字
h:        前接成分
i:        習用語
j:        簡稱
k:        後接成分
m:        數詞
n:        普通名詞
nd:        方位名詞
nh:        人名
ni:        機構名
nl:        處所名詞
ns:        地名
nt:        時間詞
nz:        其他專名
o:        擬聲詞
p:        介詞
q:        量詞
r:        代詞
u:        助詞
v:        動詞
wp:        標點符號
ws:        字串
x:        非語素字