NLP自然语言处理 之 jieba中文处理
教程参考来源视频:https://www.bilibili.com/video/av21452290/?p=1
jieba中文处理
与拉丁语系不同,亚洲语言不是以空格分隔词的。因此需要专门的工具将完整的文本分解成粒度更细的词。
jieba就是一个十分好用的中文工具。它以分词起家,但功能比分词强大很多。
1.基本分词函数与用法
jieba.cut及jieba.cut_for_search 返回的结构都是一个可迭代的generator,可以使用for循环来获得分词后得到的每一个词语(unicode)
jieba.cut方法接受三个输入参数:
- 需要分词的字符串
- cut_all 参数用了控制是否采用全模式
- HMM 参数用来控制是否使用HMM模型
jieba.cut_for_search方法接受两个参数
- 需要分词的字符串
- 是否使用HMM模型
该方法适合用于搜索引擎构建倒序索引的分词,粒度比较细
#encoding=utf-8
import jieba
seg_list=jieba.cut("我在学习自然语言处理",cut_all=True)
print(seg_list)
print("Full Mode: "+"/".join(seg_list)) #全模式
seg_list=jieba.cut("我在学习自然语言处理",cut_all=False)
print("Default Mode: "+"/".join(seg_list)) #精确模式
seq_list=jieba.cut("他毕业于上海交通大学,在百度深度学习研究院进行研究") #默认是精确模式
print(",".join(seq_list))
seg_list=jieba.cut_for_search("小明硕士毕业于中国科学院计算所,后在哈佛大学深造") #搜索引擎模式
print(", ".join(seg_list))
Building prefix dict from the default dictionary ...
Loading model from cache /var/folders/b3/hjtxm6356wx19tq8jhyw52400000gn/T/jieba.cache
<generator object Tokenizer.cut at 0x102bcfd00>
Loading model cost 0.703 seconds.
Prefix dict has been built succesfully.
Full Mode: 我/在/学习/自然/自然语言/语言/处理
Default Mode: 我/在/学习/自然语言/处理
他,毕业,于,上海交通大学,,,在,百度,深度,学习,研究院,进行,研究
小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, ,, 后, 在, 哈佛, 大学, 哈佛大学, 深造
jieba.lcut及jieba.lcut_for_search直接返回list
result_lcut=jieba.lcut("小明硕士毕业于中国科学院计算所,后在哈佛大学深造")
print(result_lcut)
print(" ".join(result_lcut))
print(" ".join(jieba.lcut_for_search("小明硕士毕业于中国科学院计算所,后在哈佛大学深造")))
['小明', '硕士', '毕业', '于', '中国科学院', '计算所', ',', '后', '在', '哈佛大学', '深造']
小明 硕士 毕业 于 中国科学院 计算所 , 后 在 哈佛大学 深造
小明 硕士 毕业 于 中国 科学 学院 科学院 中国科学院 计算 计算所 , 后 在 哈佛 大学 哈佛大学 深造
添加用户自定义词典
很多时候我们需要针对自己的场景进行分词,会有一些领域内的专有词汇
-
1.可以使用jieba.load_userdict(file_name)加载用户字典
-
2.少量的词汇可以自己用下面方法手动添加:
用add_word(word,freq=None,tag=None)和del_word(word)在程序中动态修改词典
用suggest_freq(segment,tune=True)可调节单个词语的词频,使其能(或不能)被分出来。
print('/'.join(jieba.cut('如果放到旧字典中将出错。',HMM=False)))
如果/放到/旧/字典/中将/出错/。
jieba.suggest_freq(('中','将'),True)
494
print('/'.join(jieba.cut('如果放到旧字典中将出错。',HMM=False)))
如果/放到/旧/字典/中/将/出错/。
关键词提取
基于TF-IDF 算法的关键词抽取
import jieba.analyse
- jieba.analyse.extract_tags(sentence,topK=20,withWeight=False,allowPOS=())
- sentence 为待提取的文本
- topK为返回几个TF\IDF权重最大的关键词,默认值为20
- withWeight为是否一并返回关键词权重值,默认值为False
- allowPOS 仅包括指定词性的词,默认值为空,即不筛选
import jieba.analyse
lines=open('code/NLK/NAB.txt').read()
print(" ".join(jieba.analyse.extract_tags(lines,topK=20,withWeight=False,allowPOS=())))
怀特 德隆 篮板 赛季 独行侠 三双 猛龙队 拿到 比赛 对阵 球队 球员 自己 四场 卡莱尔 总冠军 达拉斯 之后 他们 几场
lines=open(u'code/NLK/西游记.txt').read()
print(" ".join(jieba.analyse.extract_tags(lines,topK=20,withWeight=False,allowPOS=())))
行者 八戒 师父 三藏 大圣 唐僧 沙僧 菩萨 妖精 和尚 那怪 甚么 那里 长老 呆子 怎么 徒弟 不知 老孙 悟空
关于TF-IDF算法的关键词抽取补充
- 关键词提取所使用逆文件频率(IDF)文本语料库可以切换为自定义语料库的路径。
- 用法:jieba.analyse.set_idf_path(file_name) #file_name为自定义语料库的路径
- 关键词提取所使用停止词(Stop Words)文本语料库也可以切换成自定义语料库的路径
- 用法:jieba.analyse.set_stop_words(file_name) #file_name为自定义语料库的路径
基于TextRank算法的关键词抽取
- jieba.analyse.textrank(sentence,topK=20,withWeight=False,allowPOS=(‘ns’,‘n’,‘vn’,‘v’))
直接使用,接口相同,注意默认过滤词性 - jieba.analyse.TextRank()新建自定义TextRank 实例
算法基本思想:
- 将带抽取关键词的文本进行分词
- 以固定窗口大学(默认为5,通过span属性调整),词之间的共现关系,构建图
- 计算图中节点的PageRank,注意是无向带权图
import jieba.analyse
lines=open('code/NLK/NAB.txt').read()
print(" ".join(jieba.analyse.textrank(lines,topK=20,withWeight=False,allowPOS=('ns','n','vn','v'))))
print("*"*30)
print(" ".join(jieba.analyse.textrank(lines,topK=20,withWeight=False,allowPOS=('ns','n'))))
可能 德隆 比赛 得到 篮板 成为 证明 猛龙队 总冠军 拿到 留意 时间 球员 变得 接受 戒指 不让 有点 交易 挣扎
******************************
总冠军 猛龙队 证明 时间 球队 球员 方式 私信 社交 戒指 篮板 先签 前场 媒体 球迷 冠军 东西 交易 对阵 感觉
import jieba.analyse
lines=open('code/NLK/西游记.txt').read()
print(" ".join(jieba.analyse.textrank(lines,topK=20,withWeight=False,allowPOS=('ns','n','vn','v'))))
行者 师父 八戒 三藏 大圣 菩萨 不知 只见 妖精 长老 国王 呆子 徒弟 悟空 小妖 不见 不能 不得 出来 师徒
词性标注
- jieba.posseg.POSTokenizer(tokenizer=None)新建自定义分词器,tokenizer参数可指定内部使用的jieba.Tokenizer分词器。jieba.posseg.dt为默认词性标注分词器
- 标注句子分词后每个词的词性,采用和 ictclas 兼容的标记法
- 具体的词性对照表参见 计算所汉语词性标记集
import jieba.posseg as pseg
words=pseg.cut("我爱自然语言处理")
for word,flag in words:
print('%s %s' % (word,flag))
我 r
爱 v
自然语言 l
处理 v
并行分词
原理:将目标文本按行分隔后,把各行文本分配到多个Python进程并行分词,然后归并结果,从而获得分词速度的客观提升 基于python 自带的 multiprocessing 模块,目前暂不支持windows
用法:
jieba.enable_parallel(4) #开启并行分词模式,参数为并行进程数
jieba.disable_parallel() #关闭并行分词模式
试验结果:在4核3.4GHZ linux机器上,对金庸全集进行精确分词,获得了1MB/s的速度,是单进程的3.3倍,但在本人mac实测 1.7倍左右
注意:并行分词仅支持默认分词器jieba.dt和jieba.posseg.dt.
import sys
import time
import jieba
jieba.enable_parallel()
content=open(u'code/NLK/西游记.txt',"r").read()
t1=time.time()
words=" / ".join(jieba.cut(content))
t2=time.time()
tm_cost=t2-t1
print("并行分词数速度为 %s bytes/second" % (len(content)/tm_cost))
jieba.disable_parallel()
content=open(u'code/NLK/西游记.txt',"r").read()
t1=time.time()
words=" / ".join(jieba.cut(content))
t2=time.time()
tm_cost=t2-t1
print("非并行分词数速度为 %s bytes/second" % (len(content)/tm_cost))
并行分词数速度为 170905.68346768283 bytes/second
非并行分词数速度为 102924.44450978209 bytes/second
Tokenize:返回词在原文的起止位置
注意,输入参数只接受unicode
print("这是默认模式的tokenize")
result=jieba.tokenize(u'自然语言处理非常有用')
for tk in result:
print("%s \t\t start:%d\t\t end:%d" %(tk[0],tk[1],tk[2]))
print('*'*30)
print("这是搜索模式的tokenize")
result=jieba.tokenize(u'自然语言处理非常有用',mode='search')
for tk in result:
print("%s \t\t start:%d\t\t end:%d" %(tk[0],tk[1],tk[2]))
这是默认模式的tokenize
自然语言 start:0 end:4
处理 start:4 end:6
非常 start:6 end:8
有用 start:8 end:10
******************************
这是搜索模式的tokenize
自然 start:0 end:2
语言 start:2 end:4
自然语言 start:0 end:4
处理 start:4 end:6
非常 start:6 end:8
有用 start:8 end:10
ChineseAnalyzer for Whoosh 搜索引擎
- from jieba.analyse import ChineseAnalyzer
# -*- coding: UTF-8 -*-
from __future__ import unicode_literals
import sys, os
sys.path.append("../")
from whoosh.index import create_in, open_dir
from whoosh.fields import *
from whoosh.qparser import QueryParser
from jieba.analyse import ChineseAnalyzer
analyzer = ChineseAnalyzer()
schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT(stored=True, analyzer=analyzer))
if not os.path.exists("tmp"):
os.mkdir("tmp")
ix = create_in("tmp", schema) # for create new index
# ix = open_dir("tmp") # for read only
writer = ix.writer()
writer.add_document(
title="document1",
path="/a",
content="This is the first document we’ve added!"
)
writer.add_document(
title="document2",
path="/b",
content="The second one 你 中文测试中文 is even more interesting! 吃水果"
)
writer.add_document(
title="document3",
path="/c",
content="买水果然后来世博园。"
)
writer.add_document(
title="document4",
path="/c",
content="工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作"
)
writer.add_document(
title="document4",
path="/c",
content="咱俩交换一下吧。"
)
writer.commit()
searcher = ix.searcher()
parser = QueryParser("content", schema=ix.schema)
for keyword in ("水果世博园", "你", "first", "中文", "交换机", "交换"):
print(keyword + "的结果为如下:")
q = parser.parse(keyword)
results = searcher.search(q)
for hit in results:
print(hit.highlights("content"))
print("\n--------------我是神奇的分割线--------------\n")
for t in analyzer("我的好朋友是李明;我爱北京*;IBM和Microsoft; I have a dream. this is intetesting and interested me a lot"):
print(t.text)
水果世博园的结果为如下:
买<b class="match term0">水果</b>然后来<b class="match term1">世博园</b>
--------------我是神奇的分割线--------------
你的结果为如下:
second one <b class="match term0">你</b> 中文测试中文 is even more interesting
--------------我是神奇的分割线--------------
first的结果为如下:
<b class="match term0">first</b> document we’ve added
--------------我是神奇的分割线--------------
中文的结果为如下:
second one 你 <b class="match term0">中文</b>测试<b class="match term0">中文</b> is even more interesting
--------------我是神奇的分割线--------------
交换机的结果为如下:
干事每月经过下属科室都要亲口交代24口<b class="match term0">交换机</b>等技术性器件的安装工作
--------------我是神奇的分割线--------------
交换的结果为如下:
咱俩<b class="match term0">交换</b>一下吧
干事每月经过下属科室都要亲口交代24口<b class="match term0">交换</b>机等技术性器件的安装工作
--------------我是神奇的分割线--------------
我
好
朋友
是
李明
我
爱
北京
天安
*
ibm
microsoft
dream
intetest
interest
me
lot
命令行分词
-
使用示例:python -m jieba news.txt > cut_result.txt
-
命令行选项(翻译):
使用: python -m jieba [options] filename
结巴命令行界面。
固定参数:
filename 输入文件
可选参数:
- -h, --help 显示此帮助信息并退出
- -d [DELIM], --delimiter [DELIM]
使用 DELIM 分隔词语,而不是用默认的’ / '。
若不指定 DELIM,则使用一个空格分隔。 - -p [DELIM], --pos [DELIM]
启用词性标注;如果指定 DELIM,词语和词性之间
用它分隔,否则用 _ 分隔 - -D DICT, --dict DICT 使用 DICT 代替默认词典
- -u USER_DICT, --user-dict USER_DICT
使用 USER_DICT 作为附加词典,与默认词典或自定义词典配合使用 - -a, --cut-all 全模式分词(不支持词性标注)
- -n, --no-hmm 不使用隐含马尔可夫模型
- -q, --quiet 不输出载入信息到 STDERR
- -V, --version 显示版本信息并退出
如果没有指定文件名,则使用标准输入。
- –help 选项输出:
$> python -m jieba --help
Jieba command line interface.
positional arguments:
filename input file
optional arguments:
- -h, --help show this help message and exit
- -d [DELIM], --delimiter [DELIM]
use DELIM instead of ’ / ’ for word delimiter; or a
space if it is used without DELIM - -p [DELIM], --pos [DELIM]
enable POS tagging; if DELIM is specified, use DELIM
instead of ‘_’ for POS delimiter - -D DICT, --dict DICT use DICT as dictionary
- -u USER_DICT, --user-dict USER_DICT
use USER_DICT together with the default dictionary or
DICT (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 exit
If no filename specified, use STDIN instead.
小结
jieba分词可以满足大部分的中文分词和词性标注场景,可自己准备领域词典,提高分词准确性。
另,可搜索中科院提供的分词包,关注最新进展。