python中文分词jieba总结
1. GitHub:https://github.com/fxsjy/jieba
2.分詞
- jieba.cut 方法接受三個(gè)輸入?yún)?shù): 需要分詞的字符串；cut_all 參數(shù)用來控制是否采用全模式；HMM 參數(shù)用來控制是否使用 HMM 模型
- jieba.cut_for_search 方法接受兩個(gè)參數(shù)：需要分詞的字符串；是否使用 HMM 模型。該方法適合用于搜索引擎構(gòu)建倒排索引的分詞，粒度比較細(xì)
- 待分詞的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建議直接輸入 GBK 字符串，可能無法預(yù)料地錯(cuò)誤解碼成 UTF-8
- jieba.cut 以及 jieba.cut_for_search 返回的結(jié)構(gòu)都是一個(gè)可迭代的 generator，可以使用 for 循環(huán)來獲得分詞后得到的每一個(gè)詞語(unicode)，或者用
- jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
- jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定義分詞器，可用于同時(shí)使用不同詞典。jieba.dt 為默認(rèn)分詞器，所有全局分詞相關(guān)函數(shù)都是該分詞器的映射。
代碼示例
# encoding=utf-8 import jiebaseg_list = jieba.cut("我來到北京清華大學(xué)", 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(xué)", cut_all=False) print("Default Mode: " + "/ ".join(seg_list)) # 精確模式seg_list = jieba.cut("他來到了網(wǎng)易杭研大廈") # 默認(rèn)是精確模式 print(", ".join(seg_list))seg_list = jieba.cut_for_search("小明碩士畢業(yè)于中國科學(xué)院計(jì)算所，后在日本京都大學(xué)深造") # 搜索引擎模式 print(", ".join(seg_list))輸出:
【全模式】: 我/ 來到/ 北京/ 清華/ 清華大學(xué)/ 華大/ 大學(xué)【精確模式】: 我/ 來到/ 北京/ 清華大學(xué)【新詞識(shí)別】：他, 來到, 了, 網(wǎng)易, 杭研, 大廈 (此處，“杭研”并沒有在詞典中，但是也被Viterbi算法識(shí)別出來了)【搜索引擎模式】： 小明, 碩士, 畢業(yè), 于, 中國, 科學(xué), 學(xué)院, 科學(xué)院, 中國科學(xué)院, 計(jì)算, 計(jì)算所, 后, 在, 日本, 京都, 大學(xué), 日本3. 添加自定義詞典
- 開發(fā)者可以指定自己自定義的詞典，以便包含 jieba 詞庫里沒有的詞。雖然 jieba 有新詞識(shí)別能力，但是自行添加新詞可以保證更高的正確率
- 用法： jieba.load_userdict(file_name) # file_name 為文件類對(duì)象或自定義詞典的路徑
- 詞典格式和 dict.txt 一樣，一個(gè)詞占一行；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(jìn)制方式打開的文件，則文件必須為 UTF-8 編碼。
- 詞頻省略時(shí)使用自動(dòng)計(jì)算的能保證分出該詞的詞頻。
例如：
創(chuàng)新辦 3 i 云計(jì)算 5 凱特琳 nz 臺(tái)中-
更改分詞器（默認(rèn)為 jieba.dt）的 tmp_dir 和 cache_file 屬性，可分別指定緩存文件所在的文件夾及其文件名，用于受限的文件系統(tǒng)。
-
范例：
-
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(chuàng)新 / 辦 / 主任 / 也 / 是 / 云 / 計(jì)算 / 方面 / 的 / 專家 /
-
加載自定義詞庫后： 李小福 / 是 / 創(chuàng)新辦 / 主任 / 也 / 是 / 云計(jì)算 / 方面 / 的 / 專家 /
-
-
調(diào)整詞典
-
使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中動(dòng)態(tài)修改詞典。
-
使用 suggest_freq(segment, tune=True) 可調(diào)節(jié)單個(gè)詞語的詞頻，使其能（或不能）被分出來。
-
注意：自動(dòng)計(jì)算的詞頻在使用 HMM 新詞發(fā)現(xiàn)功能時(shí)可能無效。
代碼示例：
>>> print('/'.join(jieba.cut('如果放到post中將出錯(cuò)。', HMM=False))) 如果/放到/post/中將/出錯(cuò)/。 >>> jieba.suggest_freq(('中', '將'), True) 494 >>> print('/'.join(jieba.cut('如果放到post中將出錯(cuò)。', HMM=False))) 如果/放到/post/中/將/出錯(cuò)/。 >>> print('/'.join(jieba.cut('「臺(tái)中」正確應(yīng)該不會(huì)被切開', HMM=False))) 「/臺(tái)/中/」/正確/應(yīng)該/不會(huì)/被/切開 >>> jieba.suggest_freq('臺(tái)中', True) 69 >>> print('/'.join(jieba.cut('「臺(tái)中」正確應(yīng)該不會(huì)被切開', HMM=False))) 「/臺(tái)中/」/正確/應(yīng)該/不會(huì)/被/切開- "通過用戶自定義詞典來增強(qiáng)歧義糾錯(cuò)能力" --- https://github.com/fxsjy/jieba/issues/14
import jieba.analyse
- jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
- sentence 為待提取的文本
- topK 為返回幾個(gè) TF/IDF 權(quán)重最大的關(guān)鍵詞，默認(rèn)值為 20
- withWeight 為是否一并返回關(guān)鍵詞權(quán)重值，默認(rèn)值為 False
- allowPOS 僅包括指定詞性的詞，默認(rèn)值為空，即不篩選
- jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 實(shí)例，idf_path 為 IDF 頻率文件
代碼示例 （關(guān)鍵詞提取）
https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py
關(guān)鍵詞提取所使用逆向文件頻率（IDF）文本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(guān)鍵詞提取所使用停止詞（Stop Words）文本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(guān)鍵詞一并返回關(guān)鍵詞權(quán)重值示例
- 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_with_weight.py
- jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) 直接使用，接口相同，注意默認(rèn)過濾詞性。
- jieba.analyse.TextRank() 新建自定義 TextRank 實(shí)例
算法論文： TextRank: Bringing Order into Texts
基本思想:
使用示例:
見 test/demo.py
- jieba.posseg.POSTokenizer(tokenizer=None) 新建自定義分詞器，tokenizer 參數(shù)可指定內(nèi)部使用的 jieba.Tokenizer 分詞器。jieba.posseg.dt 為默認(rèn)詞性標(biāo)注分詞器。
- 標(biāo)注句子分詞后每個(gè)詞的詞性，采用和 ictclas 兼容的標(biāo)記法。
- 用法示例
-
原理：將目標(biāo)文本按行分隔后，把各行文本分配到多個(gè) Python 進(jìn)程并行分詞，然后歸并結(jié)果，從而獲得分詞速度的可觀提升
-
基于 python 自帶的 multiprocessing 模塊，目前暫不支持 Windows
-
用法：
- jieba.enable_parallel(4) # 開啟并行分詞模式，參數(shù)為并行進(jìn)程數(shù)
- jieba.disable_parallel() # 關(guān)閉并行分詞模式
-
例子：https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py
-
實(shí)驗(yàn)結(jié)果：在 4 核 3.4GHz Linux 機(jī)器上，對(duì)金庸全集進(jìn)行精確分詞，獲得了 1MB/s 的速度，是單進(jìn)程版的 3.3 倍。
-
注意：并行分詞僅支持默認(rèn)分詞器 jieba.dt 和 jieba.posseg.dt。
- 注意，輸入?yún)?shù)只接受 unicode
- 默認(rèn)模式
- 搜索模式
- 引用： from jieba.analyse import ChineseAnalyzer
- 用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py
使用示例：python -m jieba news.txt > cut_result.txt
命令行選項(xiàng)（翻譯）：
使用: python -m jieba [options] filename結(jié)巴命令行界面。固定參數(shù):filename 輸入文件可選參數(shù):-h, --help 顯示此幫助信息并退出-d [DELIM], --delimiter [DELIM]使用 DELIM 分隔詞語，而不是用默認(rèn)的' / '。若不指定 DELIM，則使用一個(gè)空格分隔。-p [DELIM], --pos [DELIM]啟用詞性標(biāo)注；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 代替默認(rèn)詞典-u USER_DICT, --user-dict USER_DICT使用 USER_DICT 作為附加詞典，與默認(rèn)詞典或自定義詞典配合使用-a, --cut-all 全模式分詞（不支持詞性標(biāo)注）-n, --no-hmm 不使用隱含馬爾可夫模型-q, --quiet 不輸出載入信息到 STDERR-V, --version 顯示版本信息并退出如果沒有指定文件名，則使用標(biāo)準(zhǔn)輸入。--help 選項(xiàng)輸出：
$> python -m jieba --help Jieba command line interface.positional arguments:filename input fileoptional arguments:-h, --help show this help message and exit-d [DELIM], --delimiter [DELIM]use DELIM instead of ' / ' for word delimiter; or aspace if it is used without DELIM-p [DELIM], --pos [DELIM]enable POS tagging; if DELIM is specified, use DELIMinstead of '_' for POS delimiter-D DICT, --dict DICT use DICT as dictionary-u USER_DICT, --user-dict USER_DICTuse USER_DICT together with the default dictionary orDICT (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 exitIf no filename specified, use STDIN instead. 5.延遲加載機(jī)制jieba 采用延遲加載，import jieba 和 jieba.Tokenizer() 不會(huì)立即觸發(fā)詞典的加載，一旦有必要才開始加載詞典構(gòu)建前綴字典。如果你想手工初始 jieba，也可以手動(dòng)初始化。
import jieba jieba.initialize() # 手動(dòng)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，有了延遲加載機(jī)制后，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
總結(jié)
以上是生活随笔為你收集整理的python中文分词jieba总结的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 特征编码的一些技巧
- 下一篇： wordcloud用来制作词云