7420 - Python库 AP129【jieba】模块详细介绍

admin

jieba

---

“ 结巴 ” 中文分词：做最好的 Python 中文分词组件

---

1 l2 t4 H* V: S. A, `+ ^特点
! Z, m$ \( }+ `- l, ^0 f

• 支持四种分词模式：
  ) p+ p  F* R  T0 s9 _) s

• 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。
• paddle模式，利用PaddlePaddle深度学习框架，训练序列标注（双向GRU）网络模型实现分词，支持词性标注。
  // paddle模式使用需安装paddlepaddle-tiny，pip install paddlepaddle-tiny==1.6.1。
  ! a8 o" y% E+ \7 L5 j6 `. S// 目前paddle模式支持jieba v0.40及以上版本。
  // jieba v0.40以下版本，请升级jieba，pip install jieba --upgrade 。
  

• 支持繁体分词
• 支持自定义词典
• MIT 授权协议
  * g: C  J0 ^) t) }" ^3 k

; F0 O+ G) b8 ?8 c9 g安装说明

• 全自动安装： easy_install jieba    或者 pip install jieba
• 半自动安装：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
  ( d, R% a, ~9 y

主要功能
2 g2 C2 }7 @3 Y) o, k! {! B) f* t一、分词
1 ]- }' W, Y6 B) j* x' c9 l. tjieba.cut 方法接受四个输入参数:

• 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；
• use_paddle 参数用来控制是否使用paddle模式下的分词模式，paddle模式采用延迟加载方式，通过enable_paddle接口安装paddlepaddle-tiny，并且import相关代码；
  

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
% Q# l, A% w8 ~9 n6 H# T. M待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。
  T" c9 d3 n4 b" |& x& i" O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
7 ^5 p0 `: Y* M% [& ]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)，
" g" z( J( |% A* |% n  ~% I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。
( M/ m! C2 d/ M  S2 d# a% Ljieba.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。

---

jieba库是一款优秀的 Python 第三方中文分词库，

jieba 支持三种分词模式：精确模式、全模式 和 搜索引擎 模式，

下面是三种模式的特点：

0 r" a& [/ h9 E

• 精确模式：试图将语句最精确的切分，不存在冗余数据，适合做文本分析
• 全模式：将语句中所有可能是词的词语都切分出来，速度很快，但是存在冗余数据
• 搜索引擎模式：在精确模式的基础上，对长词再次进行切分
  

jieba 三种模式的使用

1. # -*- coding: utf-8 -*-
   & ?. U4 S$ g" P9 f
2. import jieba
   % j4 u2 z( [/ H
3. 
   6 V$ l8 @: L" Q  P6 J
4. seg_str = "好好学习，天天向上。"
   
5. 
   $ S4 E; X, c( z5 ], B$ u
6. print("/".join(jieba.lcut(seg_str)))    # 精简模式，返回一个列表类型的结果
   & I7 {5 T5 ?' }. h
7. print("/".join(jieba.lcut(seg_str, cut_all=True)))      # 全模式，使用 'cut_all=True' 指定
   
8. print("/".join(jieba.lcut_for_search(seg_str)))     # 搜索引擎模式

复制代码

分词效果：

1 F' }0 ~; T6 _# `
# I9 |' B& l" S) `7 k

8 a# D% Z: T8 I/ ijieba 分词简单应用
1 s2 A9 f- @2 n2 f9 W% G需求：使用 jieba 分词对一个文本进行分词，统计次数出现最多的词语，这里以三国演义为例

1. # -*- coding: utf-8 -*-
   1 r4 C5 h  s9 I6 C
2. import jieba
   
3. 
   
4. txt = open("三国演义.txt", "r", encoding='utf-8').read()
   
5. words = jieba.lcut(txt)     # 使用精确模式对文本进行分词
   
6. counts = {}     # 通过键值对的形式存储词语及其出现的次数
   5 p1 B- v9 d$ Z, F# `8 I
7. 
   
8. for word in words:
   + ]4 z9 V+ o; L) r- ?
9.     if len(word) == 1:    # 单个词语不计算在内
   $ V5 R. r1 X- b
10.         continue
    
11.     else:
    % `9 l2 c, u' p
12.         counts[word] = counts.get(word, 0) + 1    # 遍历所有词语，每出现一次其对应的值加 1
    * b3 ~: ?/ g0 O( _$ b/ P
13. 
    : B/ P' [+ y) t
14. items = list(counts.items())
    
15. items.sort(key=lambda x: x[1], reverse=True)    # 根据词语出现的次数进行从大到小排序
    + j! S1 r, C, j+ u% O
16. 
    
17. for i in range(3):
    - W4 {% e- B6 Y. I: Y4 I0 _
18.     word, count = items[i]
    / z1 N' w9 L, ?2 Z
19.     print("{0:<5}{1:>5}".format(word, count))

复制代码

统计结果：
; d7 b$ @4 w+ l3 O0 V" a
5 l* w" Y! R* D) O/ J- {$ T- U

3 `: s1 L4 k  W% Q: ^# t
扩展：英文单词统计
上面的例子统计实现了中文文档中出现最多的词语，接着我们就来统计一下一个英文文档中出现次数最多的单词。

1. # -*- coding: utf-8 -*-
   6 e+ G$ d) E2 b1 I$ B- W. k
2. 
   
3. def get_text():
   
4.     txt = open("1.txt", "r", encoding='UTF-8').read()
   
5.     txt = txt.lower()
   
6.     for ch in '!"#$%&()*+,-./:;<=>?@[\\]^_‘{|}~':
   
7.         txt = txt.replace(ch, " ")      # 将文本中特殊字符替换为空格
   
8.     return txt
   
9. 
   ; W) Y$ K& S# |9 z
10. file_txt = get_text()
    
11. words = file_txt.split()    # 对字符串进行分割，获得单词列表
    + v( b4 V9 F2 E
12. counts = {}
    % C0 V( k: B2 U, I6 E  X, t
13. 
    
14. for word in words:
    9 B$ _! `9 R3 L& L; _
15.     if len(word) == 1:
    " G- @9 n# m1 h8 }. O& w* K% C
16.         continue
    % ^" A, p, C5 h/ o( ^" @
17.     else:
    
18.         counts[word] = counts.get(word, 0) + 1
    & W, d" C0 r/ R$ W/ {- {6 }# }+ D
19. 
    5 l9 d# x0 n8 s4 ~% ~
20. items = list(counts.items())   
    0 K/ S% d( G5 O) Q$ R- ]
21. items.sort(key=lambda x: x[1], reverse=True)      
    1 B* @( Z( z6 Z, E$ P. M
22. 
    ; O% z3 q* X2 d( D
23. for i in range(5):
    * l0 r8 j6 v) J1 [1 B3 r% V9 h# T* y
24.     word, count = items[i]
    ; H3 O6 R! f1 J' G4 R
25.     print("{0:<5}->{1:>5}".format(word, count))

复制代码

/ e- r6 A/ K& q. }: s统计结果：
2 e  [/ w2 X5 m8 ]' P* X+ D8 j
( ~0 o3 i7 b0 R3 C9 D& w' V

载入词典
7 g. N! G  T1 v. o8 y

• 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。
  / E9 k( F. U9 v7 @4 U- I, B

• 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。
  

, r! G; L% Y7 s+ {: |0 G0 ?自定义词典及范例： 7420-01-01.zip (1.28 KB, 下载次数: 3)

2021-8-7 21:20 上传

点击文件名下载附件
阅读权限: 5

% O$ V7 C3 [& N/ a; S( c! @# ^
% H* Q  R2 z+ e: Y$ H$ _用法示例：
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 /
+ F7 v  `6 o0 U+ Q! W
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。
• "通过用户自定义词典来增强歧义纠错能力"
  + F. |$ m" o' S3 i! T, a; S

1. >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
     r, G) E2 A3 i! ]1 L4 v+ L
2. 如果/放到/post/中将/出错/。
   
3. >>> jieba.suggest_freq(('中', '将'), True)
   2 H$ Z( ?( I7 x& e7 m& g
4. 494
   + r4 P+ k4 @& c2 b7 a! Y$ Q5 \  V' q- b. E
5. >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
   
6. 如果/放到/post/中/将/出错/。
   
7. >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
   
8. 「/台/中/」/正确/应该/不会/被/切开
   
9. >>> jieba.suggest_freq('台中', True)
   3 e% a( i1 j- C+ g7 X6 W+ F
10. 69
    & a0 e( h4 d5 R: f' I, c. N
11. >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
    
12. 「/台中/」/正确/应该/不会/被/切开

复制代码

词性标注（高中阶段选修）
3 @* `  c1 B! _( ~

• 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。
• 除了jieba默认分词模式，提供paddle模式下的词性标注功能。paddle模式采用延迟加载方式，通过enable_paddle()安装paddlepaddle-tiny，并且import相关代码；
• 用法示例
  ( T* [) i$ @7 x( r2 E1 D8 g

1. >>> import jieba
   
2. >>> import jieba.posseg as pseg
   * P. I1 L6 Y) m' E- @1 |! h
3. >>> words = pseg.cut("我爱北京天安门") #jieba默认模式
   4 c5 c, A& `! P! {& j3 K
4. >>> jieba.enable_paddle() #启动paddle模式。 0.40版之后开始支持，早期版本不支持
   
5. >>> words = pseg.cut("我爱北京天安门",use_paddle=True) #paddle模式
   
6. >>> for word, flag in words:
   % U& m, t) ?& }& \& x4 w1 u
7. ...    print('%s %s' % (word, flag))
   4 R5 J, a1 b" ?6 j
8. ...
   
9. 我 r
   
10. 爱 v
    3 a4 p# x) ?6 h0 r1 x- b: d
11. 北京 ns
    8 X: F" _# X& H/ C/ U5 D( U
12. 天安门 ns

复制代码

* @# D8 Z# a* k* opaddle模式词性和专名类别标签集合如下表：

---

注：其中词性标签 24 个（小写字母），专名类别标签 4 个（大写字母）

标签	含义	标签	含义	标签	含义	标签	含义
n	普通名词	f	方位名词	s	处所名词	t	时间
nr	人名	ns	地名	nt	机构名	nw	作品名
nz	其他专名	v	普通动词	vd	动副词	vn	名动词
a	形容词	ad	副形词	an	名形词	d	副词
m	数量词	q	量词	r	代词	p	介词
c	连词	u	助词	xc	其他虚词	w	标点符号
PER	人名	LOC	地名	ORG	机构名	TIME	时间