jieba安裝
jieba是一個python開發的中文分詞工具
安裝方法:
- 全自動安裝:進入python安裝路徑,進入Scripts文件夾,使用easy_install或者pip安裝
- 半自動安裝:先下載http://pypi.python.org/pypi/jieba/ ,解壓後運行python setup.py install
- 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)
jieba功能
在線演示網站:http://jiebademo.ap01.aws.af.cm/
功能 1 :分詞
jieba.cut方法接受兩個輸入參數
1) 第一個參數爲需要分詞的字符串
2)cut_all參數用來控制是否採用全模式
jieba.cut_for_search方法接受一個參數
需要分詞的字符串,該方法適合用於搜索引擎構建倒排索引的分詞,粒度比較細
注意:待分詞的字符串可以是gbk字符串、utf-8字符串或者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循環來,獲得分詞後得到的每一個詞語(unicode),也可以用list(jieba.cut(…))轉化爲list
代碼示例:
#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") #默認是精確模式
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") #搜索引擎模式
print ", ".join(seg_list)
結果:
【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算法識別出來了)
【搜索引擎模式】: 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 :添加自定義詞典
- 開發者可以指定自己自定義的詞典,以便包含jieba詞庫裏沒有的詞。雖然jieba有新詞識別能力,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爲自定義詞典的路徑
- 詞典格式和dict.txt一樣,一個詞佔一行;每一行分三部分,一部分爲詞語,另一部分爲詞頻,最後爲詞性(可省略),用空格隔開
- 範例:
- 之前: 李小福 / 是 / 創新 / 辦 / 主任 / 也 / 是 / 雲 / 計算 / 方面 / 的 / 專家 /
- 加載自定義詞庫後: 李小福 / 是 / 創新辦 / 主任 / 也 / 是 / 雲計算 / 方面 / 的 / 專家 /
- 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
- “通過用戶自定義詞典來增強歧義糾錯能力” — https://github.com/fxsjy/jieba/issues/14
功能 3 :關鍵詞提取
- jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse
- setence爲待提取的文本
- topK爲返回幾個TF/IDF權重最大的關鍵詞,默認值爲20
- 代碼示例 (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兼容的標記法
- 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:將目標文本按行分隔後,把各行文本分配到多個python進程並行分詞,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模塊,目前暫不支持windows
- 用法:
jieba.enable_parallel(4) # 開啓並行分詞模式,參數爲並行進程數
jieba.disable_parallel() # 關閉並行分詞模式 - 例子: https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py
- 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,是單進程版的3.3倍。
功能 6 : Tokenize:返回詞語在原文的起始位置
- 注意,輸入參數只接受unicode
- 默認模式
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
- 搜索模式
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搜索引擎
- 引用: from jieba.analyse import ChineseAnalyzer
- 用法示例:https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py
其他詞典
- 佔用內存較小的詞典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small
- 支持繁體分詞更好的詞典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big
- 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’)