jiebaPython中文分詞組件
jieba
"結(jié)巴"中文分詞：做最好的Python中文分詞組件 "Jieba"
Feature
-
支持三種分詞模式：
-
精確模式，試圖將句子最精確地切開，適合文本分析；
-
全模式，把句子中所有的可以成詞的詞語(yǔ)都掃描出來, 速度非常快，但是不能解決歧義；
-
搜索引擎模式，在精確模式的基礎(chǔ)上，對(duì)長(zhǎng)詞再次切分，提高召回率，適合用于搜索引擎分詞。
-
-
支持繁體分詞
-
支持自定義詞典
在線演示
http://jiebademo.ap01.aws.af.cm/
(Powered by Appfog)
Python 2.x 下的安裝
-
全自動(dòng)安裝：easy_install jieba 或者 pip install jieba
-
半自動(dòng)安裝：先下載http://pypi.python.org/pypi/jieba/ ，解壓后運(yùn)行python setup.py install
-
手動(dòng)安裝：將jieba目錄放置于當(dāng)前目錄或者site-packages目錄
-
通過import jieba 來引用 （第一次import時(shí)需要構(gòu)建Trie樹，需要幾秒時(shí)間）
Python 3.x 下的安裝
-
目前master分支是只支持Python2.x 的
-
Python3.x 版本的分支也已經(jīng)基本可用： https://github.com/fxsjy/jieba/tree/jieba3k
git clone https://github.com/fxsjy/jieba.git git checkout jieba3k python setup.py install
Algorithm
-
基于Trie樹結(jié)構(gòu)實(shí)現(xiàn)高效的詞圖掃描，生成句子中漢字所有可能成詞情況所構(gòu)成的有向無環(huán)圖（DAG)
-
采用了動(dòng)態(tài)規(guī)劃查找最大概率路徑, 找出基于詞頻的最大切分組合
-
對(duì)于未登錄詞，采用了基于漢字成詞能力的HMM模型，使用了Viterbi算法
功能 1)：分詞
-
jieba.cut方法接受兩個(gè)輸入?yún)?shù): 1) 第一個(gè)參數(shù)為需要分詞的字符串 2）cut_all參數(shù)用來控制是否采用全模式
-
jieba.cut_for_search方法接受一個(gè)參數(shù)：需要分詞的字符串,該方法適合用于搜索引擎構(gòu)建倒排索引的分詞，粒度比較細(xì)
-
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(jié)構(gòu)都是一個(gè)可迭代的generator，可以使用for循環(huán)來獲得分詞后得到的每一個(gè)詞語(yǔ)(unicode)，也可以用list(jieba.cut(...))轉(zhuǎn)化為list
代碼示例( 分詞 )
#encoding=utf-8
import jieba
seg_list = jieba.cut("我來到北京清華大學(xué)",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(xué)",cut_all=False)
print "Default Mode:", "/ ".join(seg_list) #精確模式
seg_list = jieba.cut("他來到了網(wǎng)易杭研大廈") #默認(rèn)是精確模式
print ", ".join(seg_list)
seg_list = jieba.cut_for_search("小明碩士畢業(yè)于中國(guó)科學(xué)院計(jì)算所，后在日本京都大學(xué)深造") #搜索引擎模式
print ", ".join(seg_list)
Output:
【全模式】: 我/ 來到/ 北京/ 清華/ 清華大學(xué)/ 華大/ 大學(xué) 【精確模式】: 我/ 來到/ 北京/ 清華大學(xué) 【新詞識(shí)別】：他, 來到, 了, 網(wǎng)易, 杭研, 大廈 (此處，“杭研”并沒有在詞典中，但是也被Viterbi算法識(shí)別出來了) 【搜索引擎模式】： 小明, 碩士, 畢業(yè), 于, 中國(guó), 科學(xué), 學(xué)院, 科學(xué)院, 中國(guó)科學(xué)院, 計(jì)算, 計(jì)算所, 后, 在, 日本, 京都, 大學(xué), 日本京都大學(xué), 深造
功能 2) ：添加自定義詞典
-
開發(fā)者可以指定自己自定義的詞典，以便包含jieba詞庫(kù)里沒有的詞。雖然jieba有新詞識(shí)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為自定義詞典的路徑
-
詞典格式和dict.txt一樣，一個(gè)詞占一行；每一行分三部分，一部分為詞語(yǔ)，另一部分為詞頻，最后為詞性（可省略），用空格隔開
-
范例：
-
之前： 李小福 / 是 / 創(chuàng)新 / 辦 / 主任 / 也 / 是 / 云 / 計(jì)算 / 方面 / 的 / 專家 /
-
加載自定義詞庫(kù)后： 李小福 / 是 / 創(chuàng)新辦 / 主任 / 也 / 是 / 云計(jì)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(qiáng)歧義糾錯(cuò)能力" --- https://github.com/fxsjy/jieba/issues/14
功能 3) ：關(guān)鍵詞提取
-
jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse
-
setence為待提取的文本
-
topK為返回幾個(gè)TF/IDF權(quán)重最大的關(guān)鍵詞，默認(rèn)值為20
代碼示例 （關(guān)鍵詞提?。?/p>
https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py
功能 4) : 詞性標(biāo)注
-
標(biāo)注句子分詞后每個(gè)詞的詞性，采用和ictclas兼容的標(biāo)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) : 并行分詞
-
原理：將目標(biāo)文本按行分隔后，把各行文本分配到多個(gè)python進(jìn)程并行分詞，然后歸并結(jié)果，從而獲得分詞速度的可觀提升
-
基于python自帶的multiprocessing模塊，目前暫不支持windows
-
用法：
-
jieba.enable_parallel(4) # 開啟并行分詞模式，參數(shù)為并行進(jìn)程數(shù)
-
jieba.disable_parallel() # 關(guān)閉并行分詞模式
-
-
例子： https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py
-
實(shí)驗(yàn)結(jié)果：在4核3.4GHz Linux機(jī)器上，對(duì)金庸全集進(jìn)行精確分詞，獲得了1MB/s的速度，是單進(jìn)程版的3.3倍。
功能 6) : Tokenize：返回詞語(yǔ)在原文的起始位置
-
注意，輸入?yún)?shù)只接受unicode
-
默認(rèn)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
-
占用內(nèi)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，然后覆蓋jieba/dict.txt 即可或者用jieba.set_dictionary('data/dict.txt.big')
模塊初始化機(jī)制的改變:lazy load （從0.28版本開始）
jieba采用延遲加載，"import jieba"不會(huì)立即觸發(fā)詞典的加載，一旦有必要才開始加載詞典構(gòu)建trie。如果你想手工初始jieba，也可以手動(dòng)初始化。
import jieba jieba.initialize() #手動(dòng)初始化（可選）
在0.28之前的版本是不能指定主詞典的路徑的，有了延遲加載機(jī)制后，你可以改變主詞典的路徑:
jieba.set_dictionary('data/dict.txt.big')
例子： https://github.com/fxsjy/jieba/blob/master/test/test_change_dictpath.py
分詞速度
-
1.5 MB / Second in Full Mode
-
400 KB / Second in Default Mode
-
Test Env: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《圍城》.txt
常見問題
1）模型的數(shù)據(jù)是如何生成的？https://github.com/fxsjy/jieba/issues/7
2）這個(gè)庫(kù)的授權(quán)是? https://github.com/fxsjy/jieba/issues/2
更多問題請(qǐng)點(diǎn)擊：https://github.com/fxsjy/jieba/issues?sort=updated&state=closed