1. 程式人生 > >Python中文分片語件jieba

Python中文分片語件jieba

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