jieba分词用法介绍

特点

• 支持三种分词模式:

  • 精确模式，试图把句子最精确地切开，适合文本分析；
  • 全模式，把句子中所有的可以成词的词语都扫描出来，速度非常快，但是不能解决歧义；
  • 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

• 支持繁体分词

• 支持自定义词典

• MIT授权协议

算法

• 基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图(DAG)
• 采用了动态规划查找最大概率路径，找出基于词频的最大切分组合
• 对于未登录词，采用了基于汉字成词能力的HMM模型，使用了Viterbi算法

主要功能

1. 分词

• jieba.cut方法接受三个输入参数:需要分词的字符串；cut_all参数用来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排索引的分词，粒度比较细
• 待分词的字符串可以是unicode或UTF-8字符串、GBK字符串。但不建议直接输入GBK字符串，可能无法预料地错误解码成UTF-8
• jieba.cut以及jieba.cut_for_search直接返回list
• jieba.lcut以及jieba.lcut_for_search直接返回list
• jieba.Tokenizer(dictionary=DEFAULT_DICT)新建自定义分词器，可用于同时使用不同词典。jieba.dt为默认分词器，所有全局分词相关的函数都是该分词器的映射。

代码示例

import jieba

seg_list = jieba.cut("我来到中国科学院大学",cut_all=True)
print("【全模式】："+"/".join(seg_list))

seg_list = jieba.cut("我来到中国科学院大学", cut_all=False)
print("【默认模式】: " + "/ ".join(seg_list))  # 精确模式

seg_list = jieba.cut("他来到了网易杭研大厦")  # 默认是精确模式
print("【精确模式】： "+", ".join(seg_list))

seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造")  # 搜索引擎模式
print("【搜索引擎模式】： "+", ".join(seg_list))

输出：

【全模式】：我/来到/中国/中国科学院/科学/科学院/学院/大学
【默认模式】: 我/ 来到/ 中国科学院/ 大学
【精确模式】： 他, 来到, 了, 网易, 杭研, 大厦
【搜索引擎模式】： 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, 日本, 京都, 大学, 日本京都大学, 深造

2. 添加自定义词典

• 开发者可以指定自己自定义的词典，以便包含jieba词库里没有的词。虽然jieba有新词识别能力，但是自行添加信息可以保证更高的正确率
• 用法：jieba.load_userdict(file_name) # file_name为文件类对象或自定义词典的路径
• 词典格式和dict.txt一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file_name若为路径或二进制方式打开的文件，则文件必须为UTF-8编码。
• 词频省略时使用自动计算的能保证分出该词的词频。

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，默认为20
  • withWeight为是否一并返回关键词权重值，默认为False
  • allowPOS仅包括指定词性的词，默认值为空，即不筛选

• jieba.analyse.TFIDF(idf_path=None)新建TFIDF实例，idf_path为IDF频率文件

代码示例：

import jieba.analyse

print('3. 关键词提取')
print('-'*40)
print(' TF-IDF')
print('-'*40)

s = "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚置业注册资本由7000万元增加到5亿元。吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年，实现营业收入0万元，实现净利润-139.13万元。"
for x, w in jieba.analyse.extract_tags(s, withWeight=True):
    print('%s %s' % (x, w))

输出：

3. 关键词提取
----------------------------------------
 TF-IDF
----------------------------------------
欧亚 0.7300142700289363
吉林 0.659038184373617
置业 0.4887134522112766
万元 0.3392722481859574
增资 0.33582401985234045
4.3 0.25435675538085106
7000 0.25435675538085106
2013 0.25435675538085106
139.13 0.25435675538085106
实现 0.19900979900382978
综合体 0.19480309624702127
经营范围 0.19389757253595744
亿元 0.1914421623587234
在建 0.17541884768425534
全资 0.17180164988510638
注册资本 0.1712441526
百货 0.16734460041382979
零售 0.1475057117057447
子公司 0.14596045237787234
营业 0.13920178509021275

基于TextRank算法的关键词提取

• 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

基本思想

1. 将待抽取关键词的文本进行分词
2. 以固定窗口大小(默认为5，通过span属性调整），词之间的共现关系，构建图
3. 计算图中节点的PageRank，注意是无向带权图

使用示例

print(' TextRank')
print('_'*40)

for x,w in jieba.analyse.textrank(s,withWeight=True):
    print('%s %s' % (x,w))

输出

 TextRank
________________________________________
吉林 1.0
欧亚 0.9966893354178172
置业 0.6434360313092776
实现 0.5898606692859626
收入 0.43677859947991454
增资 0.4099900531283276
子公司 0.35678295947672795
城市 0.34971383667403655
商业 0.34817220716026936
业务 0.3092230992619838
在建 0.3077929164033088
营业 0.3035777049319588
全资 0.303540981053475
综合体 0.29580869172394825
注册资本 0.29000519464085045
有限公司 0.2807830798576574
零售 0.27883620861218145
百货 0.2781657628445476
开发 0.2693488779295851
经营范围 0.2642762173558316

4. 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
• 用法示例

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))

输出

我 r
爱 v
自然语言 l
处理 v

5. 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可观提升
• 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

6. Tokenize:返回词语在原文的起止位置

• 注意，输入参数直接上unicode
• 默认模式

result = jieba.tokenize(u'永和服装饰品有限公司')
for tk in result:
    print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

输出

word 永和		 start: 0 		 end:2
word 服装		 start: 2 		 end:4
word 饰品		 start: 4 		 end:6
word 有限公司		 start: 6 		 end:10

• 搜索模式

result = jieba.tokenize(u'永和服装饰品有限公司',mode='search')
for tk in result:
    print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

输出

word 永和		 start: 0 		 end:2
word 服装		 start: 2 		 end:4
word 饰品		 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