python库之jieba小试牛刀

1 安装

 代码对 Python 2/3 均兼容

• 全自动安装： easy_install jieba 或者 pip install jieba / pip3 install jieba
• 半自动安装：先下载 https://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

2 特点

• 支持三种分词模式：
  • 精确模式，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, 速度非常快，但是不能解决歧义；
  • 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

3 示例

1 基本用法

# encoding=utf-8
import jieba 
words = jieba.cut("我今天去国家科学技术馆参观")
print("/".join(words))

 结果： 我/今天/去/国家/科学技术/馆/参观

2 添加字典

# encoding=utf-8
import jieba
jieba.load_userdict("dict.txt")
words = jieba.cut("我今天去国家科学技术馆参观")
print("/".join(words))

 结果： 我/今天/去/国家科学技术馆/参观

dict.txt

国家科学技术馆 100 n

自定义的词典一行上面有三列，第二个是指出现的次数，第三个是词性

3 动态修改词频字典

# encoding=utf-8
import jieba 
words = jieba.cut("我今天去国家科学技术馆参观", HMM=False)
jieba.suggest_freq(('国家科学技术馆'), True)
print("/".join(words))

 结果： 我/今天/去/国家科学技术馆/参观

使用 suggest_freq(segment, tune=True) 可调节单个词语的词频，使其（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。

4 三种模式的分词

# 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))  # 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))
 
seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造")  # 搜索引擎模式
print(", ".join(seg_list))

 结果：

Full Mode: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
Default Mode: 我/ 来到/ 北京/ 清华大学
他, 来到, 了, 网易, 杭研, 大厦
小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, ，, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造、

5 词性标注

# encoding=utf-8
import jieba
import jieba.posseg as pseg
words = pseg.cut("我爱祖国大好河山")
pseg.jieba.suggest_freq(('爱', '祖国'), True)
for word, flag in words:
    print('%s %s' % (word, flag))

 结果:

我 r
爱 v
祖国 n
大好河山 i

6 Tokenize：返回词语在原文的起止位置

• 注意，输入参数只接受 unicode

   默认模式

# encoding=utf-8
import jieba
import jieba.posseg as pseg
result = jieba.tokenize("如意进出口贸易有限公司")
for tk in result:
    print("word %s 		 start: %d 		 end: %d" % (tk[0], tk[1], tk[2]))

 结果:

word 如意             start: 0          end: 2
word 进出口          start: 2          end: 5
word 贸易              start: 5          end: 7
word 有限公司       start: 7          end: 11

 搜索模式

# encoding=utf-8
import jieba
import jieba.posseg as pseg
result = jieba.tokenize("如意进出口贸易有限公司", mode='search')
for tk in result:
    print("word %s 		 start: %d 		 end: %d" % (tk[0], tk[1], tk[2]))

 结果：
word 如意          start: 0          end: 2
word 进出          start: 2          end: 4
word 出口          start: 3          end: 5
word 进出口      start: 2          end: 5
word 贸易          start: 5          end: 7
word 有限          start: 7          end: 9
word 公司          start: 9          end: 11
word 有限公司   start: 7          end: 11