结巴分词详细讲解

内容预览:
  • 词频省略时使用自动计算的能保证分出该词的词频~
  • #========================================result = pseg.cut(test_sen...~
  • 注意:自动计算的词频在使用 HMM 新词发现功能时可能无效~

 

jieba

转:https://github.com/fxsjy/jieba

“结巴”中文分词:做最好的 Python 中文分词组件。

特点

  • 支持三种分词模式:

    • 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;
    • 精确模式,试图将句子最精确地切开,适合文本分析;
    • 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。注意: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 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),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,所有全局分词相关函数都是该分词器的映射
    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))#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(", ".join(seg_list))

    s

    【全模式】
    Full Mode: 我
    / 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
    【精确模式】
    Default Mode: 我
    / 来到/ 北京/ 清华大学
    【新词模式】
    他, 来到, 了, 网易, 杭?

     

2. 添加自定义词典

载入词典

  • 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,但是自行添加新词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。

例如:userdict.txt

创新办 3 i
云计算 5
凱特琳 nz
台中

  • 更改分词器(默认为 jieba.dt)的 tmp_dir 和 cache_file 属性,可分别指定缓存文件所在的文件夹及其文件名,用于受限的文件系统。

  • 范例:

    • 自定义词典:https://github.com/fxsjy/jieba/blob/master/test/userdict.txt

      云计算 5
      李小福
      2 nr
      创新办
      3 i
      easy_install
      3 eng
      好用
      300
      韩玉赏鉴
      3 nz

       

       

       

    • 用法示例:https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py(代码如下)

      • 之前: 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /

      • 加载自定义词库后: 李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /

        #encoding=utf-8
        from __future__ import print_function, unicode_literals
        import sys
        sys.path.append(
        "../")
        import jieba
        jieba.load_userdict(
        "userdict.txt")#载入自定义词典:每一行包括词语、词频(可省略)、词性(可省略)
        import jieba.posseg as pseg

        jieba.add_word(
        '石墨烯')
        jieba.add_word(
        '凱特琳')
        jieba.del_word(
        '自定义词')

        test_sent
        = (
        "李小福是创新办主任也是云计算方面的专家; 什么是八一双鹿n"
        "例如我输入一个带“韩玉赏鉴”的标题,在自定义词库中也增加了此词为N类n"
        "「台中」正確應該不會被切開。mac上可分出「石墨烯」;此時又可以分出來凱特琳了。"
        )
        words
        = jieba.cut(test_sent)#精确模式分词
        print('/'.join(words))
        print("="*40)#输出40个=号
        #
        李小福/是/创新办/主任/也/是/云计算/方面/的/专家/;/ /什么/是/八一双鹿/
        #
        /例如/我/输入/一个/带/“/韩玉赏鉴/”/的/标题/,/在/自定义词/库中/也/增加/了/此/词为/N/类/
        #
        /「/台中/」/正確/應該/不會/被/切開/。/mac/上/可/分出/「/石墨烯/」/;/此時/又/可以/分出/來/凱特琳/了/。
        #
        ========================================

        result
        = pseg.cut(test_sent)
        for w in result:
        print(w.word, "/", w.flag, ", ", end=' ')#输出词语、词性
        print("n" + "="*40)
        #李小福 / nr , 是 / v , 创新办 / i , 主任 / b , 也 / d , 是 / v , 云计算 / x , 方面 / n , 的 / uj , 专家 / n , ; / x , / x , 什么 / r , 是 / v , 八一双鹿 / nz ,
        #
        / x , 例如 / v , 我 / r , 输入 / v , 一个 / m , 带 / v , “ / x , 韩玉赏鉴 / nz , ” / x , 的 / uj , 标题 / n , , / x , 在 / p , 自定义词 / n , 库中 / nrt , 也 / d , 增加 / v , 了 / ul , 此 / r , 词 / n , 为 / p , N / eng , 类 / q ,
        #
        / x , 「 / x , 台中 / s , 」 / x , 正確 / ad , 應該 / v , 不 / d , 會 / v , 被 / p , 切開 / ad , 。 / x , mac / eng , 上 / f , 可 / v , 分出 / v , 「 / x , 石墨烯 / x , 」 / x , ; / x , 此時 / c , 又 / d , 可以 / c , 分出 / v , 來 / zg , 凱特琳 / nz , 了 / ul , 。 / x ,
        #
        ========================================

        terms
        = jieba.cut('easy_install is great')
        print('/'.join(terms))
        terms
        = jieba.cut('python 的正则表达式是好用的')
        print('/'.join(terms))
        print("="*40)
        #easy_install/ /is/ /great
        #
        python/ /的/正则表达式/是/好用

         

调整词典

  • 使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。
  • 使用 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。

  • 注意:自动计算的词频在使用 HMM 新词发现功能时可能无效。

代码示例:

>>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
如果
/放到/post/中将/出错/
>>> jieba.suggest_freq(('', ''), True)
494
>>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
如果
/放到/post/中/将/出错/
>>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
/台/中/」/正确/应该/

 

3. 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

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

代码示例 (关键词提取):https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py(代码如下)

import sys
sys.path.append(
'../')

import jieba
import jieba.analyse
from optparse import OptionParser

USAGE
= "usage: python extract_tags.py [file name] -k [top k]"

parser
= OptionParser(USAGE)
parser.add_option(
"-k", dest="topK")
opt, args
= parser.parse_args()


if len(args) < 1:
print(USAGE)
sys.exit(
1)

file_name
= args[0]

if opt.topK is None:
topK
= 10
else:
topK
= int(opt.topK)

content
= open(file_name, 'rb').read()

tags
= jieba.analyse.extract_tags(content, topK=topK)

print(",".join(tags))

 

关键词提取所使用逆向文件频率(IDF)文本语料库可以切换成自定义语料库的路径

import sys
sys.path.append(
'../')

import jieba
import jieba.analyse
from optparse import OptionParser

USAGE
= "usage: python extract_tags_idfpath.py [file name] -k [top k]"

parser
= OptionParser(USAGE)
parser.add_option(
"-k", dest="topK")
opt, args
= parser.parse_args()


if len(args) < 1:
print(USAGE)
sys.exit(
1)

file_name
= args[0]

if opt.topK is None:
topK
= 10
else:
topK
= int(opt.topK)

content
= open(file_name, 'rb').read()

jieba.analyse.set_idf_path(
"../extra_dict/idf.txt.big");#与extract_tags相比多了这一句

tags
= jieba.analyse.extract_tags(content, topK=topK)

print

 

关键词提取所使用停止词(Stop Words)文本语料库可以切换成自定义语料库的路径

import sys
sys.path.append('../')

import jieba
import jieba.analyse
from optparse import OptionParser

USAGE = "usage: python extract_tags_stop_words.py [file name] -k [top k]"

parser = OptionParser(USAGE)
parser.add_option("-k", dest="topK")
opt, args = parser.parse_args()


if len(args) < 1:
print(USAGE)
sys.exit(1)

file_name = args[0]

if opt.topK is None:
topK = 10
else:
topK = int(opt.topK)

content = open(file_name, 'rb').read()

jieba.analyse.set_stop_words("../extra_dict/stop_words.txt")#停用词
jieba.analyse.set_idf_path("../extra_dict/idf.txt.big");#idf词频

tags = jieba.analyse.extract_tags(content, topK=topK)

print(",".join(tags))

关键词一并返回关键词权重值示例

import sys
sys.path.append('../')

import jieba
import jieba.analyse
from optparse import OptionParser

USAGE = "usage: python extract_tags_with_weight.py [file name] -k [top k] -w [with weight=1 or 0]"

parser = OptionParser(USAGE)
parser.add_option("-k", dest="topK")
parser.add_option("-w", dest="withWeight")
opt, args = parser.parse_args()


if len(args) < 1:
print(USAGE)
sys.exit(1)

file_name = args[0]

if opt.topK is None:
topK = 10
else:
topK = int(opt.topK)

if opt.withWeight is None:
withWeight = False
else:
if int(opt.withWeight) is 1:
withWeight = True
else:
withWeight = False

content = open(file_name, 'rb').read()

tags = jieba.analyse.extract_tags(content, topK=topK, withWeight=withWeight)

if withWeight is True:
for tag in tags:
print("tag: %stt weight: %f" % (tag[0],tag[1]))
else:
print(",".join(tags))

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,采用和 ictclas 兼容的标记法。
  • 用法示例

>>> import jieba.posseg as pseg
>>> words = pseg.cut("我爱北京天安门")
>>> for word, flag in words:
... print('%s %s' % (word, flag))
...
我 r
爱 v
北京 ns
天安门 ns

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

  • 例子:https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py(代码如下)

  • import sys
    import time
    sys.path.append("../../")
    import jieba

    jieba.enable_parallel()

    url = sys.argv[1]
    content = open(url,"rb").read()
    t1 = time.time()
    words = "/ ".join(jieba.cut(content))

    t2 = time.time()
    tm_cost = t2-t1

    log_f = open("1.log","wb")
    log_f.write(words.encode('utf-8'))

    print('speed %s bytes/second' % (len(content)/tm_cost))

  • 实验结果: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,是单进程版的 3.3 倍。

  • 注意:并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt

6. Tokenize:返回词语在原文的起止位置

  • 注意,输入参数只接受 unicode
  • 精确模式

result = jieba.tokenize(u'永和服装饰品有限公司')
for tk in result:
print("word %stt start: %d tt end:%d" % (tk[0],tk[1],tk[2]))

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 %stt start: %d tt end:%d" % (tk[0],tk[1],tk[2]))

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

7. ChineseAnalyzer for Whoosh 搜索引擎

8. 命令行分词

使用示例:python -m jieba news.txt > cut_result.txt

其他词典

  1. 占用内存较小的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small

  2. 支持繁体分词更好的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big

下载你所需要的词典,然后覆盖 jieba/dict.txt 即可;或者用 jieba.set_dictionary('data/dict.txt.big')

以上就是:结巴分词详细讲解 的全部内容。

本站部分内容来源于互联网和用户投稿,如有侵权请联系我们删除,谢谢。
Email:[email protected]


0 条回复 A 作者 M 管理员
    所有的伟大,都源于一个勇敢的开始!
欢迎您,新朋友,感谢参与互动!欢迎您 {{author}},您在本站有{{commentsCount}}条评论