python中文分詞jieba的高階應用
最近在使用python的中文分詞功能，感覺jieba挺不錯的，就轉載了這篇文章，希望對各位CSDN網友有所幫助。
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
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