“结巴”分词：做最好的Python分词组件

中文分词是中文文本处理的一个基础性工作，然而长久以来，在Python编程领域，一直缺少高准确率、高效率的分词组件。结巴分词正是为了满足这一需求。

在线演示：http://209.222.69.242:9000/

特性：

支持两种分词模式：

• 默认模式，试图将句子最精确地切开，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，适合搜索引擎。

用法：

• 全自动安装：easy_install jieba
• 半自动安装：先下载http://pypi.python.org/pypi/jieba/ ，解压后运行python setup.py install
• 手动安装：将jieba目录放置于当前目录或者site-packages目录，通过import jieba 来引用 （第一次import时需要构建Trie树，需要几秒时间）

算法：

• 基于Trie树结构实现高效的词图扫描，生成句子中汉字构成的有向无环图（DAG)
• 采用了记忆化搜索实现最大概率路径的计算, 找出基于词频的最大切分组合
• 对于未登录词，采用了基于汉字位置概率的模型，使用了Viterbi算法

接口：

• 组件只提供jieba.cut 方法用于分词
• cut方法接受两个输入参数：
         1) 第一个参数为需要分词的字符串
         2) cut_all参数用来控制分词模式
• 待分词的字符串可以是gbk字符串、utf-8字符串或者unicode
• jieba.cut返回的结构是一个可迭代的generator，可以使用for循环来获得分词后得到的每一个词语(unicode)，也可以用list(jieba.cut(...))转化为list

代码示例：

#encoding=utf-8
import jieba

seg_list = jieba.cut("我来到北京清华大学",cut_all=True)
print "Full Mode:", "/ ".join(seg_list) #全模式

seg_list = jieba.cut("我来到北京清华大学",cut_all=False)
print "Default Mode:", "/ ".join(seg_list) #默认模式

seg_list = jieba.cut("他来到了网易杭研大厦")
print ", ".join(seg_list)

输出：

Full Mode: 我/ 来/ 来到/ 到/ 北/ 北京/ 京/ 清/ 清华/ 清华大学/ 华/ 华大/ 大/ 大学/ 学

Default Mode: 我/ 来到/ 北京/ 清华大学

他, 来到, 了, 网易, 杭研, 大厦    (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)

性能：

• 1.5 MB / Second in Full Mode
• 350 KB / Second in Default Mode
• Test Env: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《围城》.txt