结巴分词: 做最好的Python中文分词组件
jieba 0.19主要包含以下两个更新:
1) 提升了模块加载的速度。
"import jieba"除了第一次以外,加载时间缩短了75%,在主流PC Server上可以实现一秒以内加载完毕。
工作机制:第一次“import jieba”时加载文本词典到内存生成模型,然后dump到磁盘上的cache文件。以后再"import jieba"时,会判断文本文件与cache文件的时间戳决定从哪里加载,由于cache文件加载更快,所以提升了速度。
2) 增加了用户自定义词典的接口。
- 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;每一行分为两部分,一部分为词语,另一部分为词频,用空格隔开
-
范例:
云计算 5 李小福 2 创新办 3 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 /