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
; I+ q+ U: l& v3 P

---

特点

• 支持四种分词模式：
  

• 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。
• 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。
  5 ^9 M2 O% o! C& H+ Z// 目前paddle模式支持jieba v0.40及以上版本。
  1 P+ u) G4 n$ \3 x// jieba v0.40以下版本，请升级jieba，pip install jieba --upgrade 。
  ; v- `. P. b1 v9 q9 m; y

• 支持繁体分词
• 支持自定义词典
• MIT 授权协议
  ' {' E8 X- S3 n1 w2 [$ z

  |/ J$ d. N0 }安装说明
6 r9 R: Z7 M* ]& c+ [( I9 `

• 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
  0 ]8 W& ]+ f1 M  e" p

5 t* p5 U0 `) W6 k+ C: a# o主要功能
" _% ]: p) z& U( s一、分词
jieba.cut 方法接受四个输入参数:
+ W3 o" J! E  ?" L( W+ [( q+ I# Y- n" V6 ~

• 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；
  9 Y' d0 a3 j) e2 t) w  l9 _' Z+ Q

jieba.cut_for_search 方法接受两个参数：
9 [8 @: A  U8 k" H2 Q- x

• 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
9 |3 x" w2 U9 S# g9 \. G待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。
, s& _6 G9 M# D3 e$ H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，
7 J9 ?  ~  q! b2 p4 B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。

---

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：

6 E! K& X+ w. J2 V

• 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 -*-
   / A  n- ]$ b$ m
2. import jieba
   
3. 
   
4. seg_str = "好好学习，天天向上。"
   5 I4 @0 m! w& i- K: ^
5. 
   
6. print("/".join(jieba.lcut(seg_str)))    # 精简模式，返回一个列表类型的结果
   % N5 \5 Q. j' |8 l5 f/ a5 r
7. print("/".join(jieba.lcut(seg_str, cut_all=True)))      # 全模式，使用 'cut_all=True' 指定
   0 i# L9 d% N8 l* t* T1 s( H& N/ }
8. print("/".join(jieba.lcut_for_search(seg_str)))     # 搜索引擎模式

复制代码

分词效果：
2 o3 e! u& O4 I6 [5 w- ?" Y  ~2 a
( t" R# M2 ~' F  r# m" Q  L


jieba 分词简单应用
, T( H/ L2 n6 ?3 C1 j2 [0 y  D4 O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
+ D! w- l/ }& Z

1. # -*- coding: utf-8 -*-
   3 _' R1 Y( Q( J9 h/ G
2. import jieba
   : q- ?9 F5 ~8 v6 o* N
3. 
   
4. txt = open("三国演义.txt", "r", encoding='utf-8').read()
   " v/ h4 v* \2 a% E7 _
5. words = jieba.lcut(txt)     # 使用精确模式对文本进行分词
   ' P3 y6 y3 i  M) W5 k# J- w6 R
6. counts = {}     # 通过键值对的形式存储词语及其出现的次数
   7 L9 g6 Y0 u* S5 Y; Z: q" t
7. 
   
8. for word in words:
   6 i, |( p" P. k/ v5 G9 E6 A
9.     if len(word) == 1:    # 单个词语不计算在内
   $ R% Y3 @/ R' ]$ @$ R/ t
10.         continue
    ) h, F' m- l, G
11.     else:
    
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
    4 T0 i) Z  a& m; R
13. 
    " Q/ p! Y) y- q  N% Q
14. items = list(counts.items())
    8 ]% x# D( F' |$ j1 |+ w$ e2 @6 T: J
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
    
16. 
    
17. for i in range(3):
    
18.     word, count = items[i]
    
19.     print("{0:<5}{1:>5}".format(word, count))

复制代码

统计结果：
1 P; V7 C: S6 E* V



. _2 _: p5 e, M" h5 H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。
! v2 q# r% w& r: O* @

1. # -*- coding: utf-8 -*-
   
2. 
   
3. def get_text():
   
4.     txt = open("1.txt", "r", encoding='UTF-8').read()
   9 \( L+ @( _- C9 d) ~& S
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
   1 y* O8 s, I, ^0 ]. f
8.     return txt
   : k+ n& H8 B6 J$ `
9. 
   
10. file_txt = get_text()
    
11. words = file_txt.split()    # 对字符串进行分割，获得单词列表
    ( g  @6 _; Y3 H
12. counts = {}
    - k( s4 S. e$ }) l( w
13. 
    
14. for word in words:
    . O8 K7 z( K& n. n% r
15.     if len(word) == 1:
    
16.         continue
    
17.     else:
    0 s1 v3 u1 M) _6 B) N
18.         counts[word] = counts.get(word, 0) + 1
    
19. 
    ! ?) z! m8 s6 e' |" E$ U& ~
20. items = list(counts.items())   
    ) F5 H$ V$ V7 X$ M2 L0 Q& ~6 Y
21. items.sort(key=lambda x: x[1], reverse=True)      
    
22. 
    , r$ z  b' b. a" ?/ n
23. for i in range(5):
    " {% R# H6 H/ t$ g9 i0 h2 B
24.     word, count = items[i]
    % N6 i9 D% ?) W
25.     print("{0:<5}->{1:>5}".format(word, count))

复制代码

+ ^9 a. X; W' _4 w8 I7 [) n统计结果：
1 T& H0 T( n+ _
9 I4 c+ s: W. A' k
5 O' [. F# ]" h" y% Z. ^/ A
6 M2 z% v3 e. M载入词典
+ u4 K5 X6 J0 ?& Z$ @  ^

• 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。
  . b: ^* _. N0 b7 A0 k  E  d9 Y

• 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。
  $ f  e3 h( v0 Z7 f

: p3 }% K0 e; m! ^* C. `( y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

4 Q- e% N# f" L4 q! o4 t
用法示例：
6 C& d6 q+ A0 b$ Y" r# }' O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 /
5 ?/ T2 U8 ^+ d* k! [
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"
  

1. >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
   
2. 如果/放到/post/中将/出错/。
   
3. >>> jieba.suggest_freq(('中', '将'), True)
   4 l7 c1 m5 \1 i- G4 i  I/ T
4. 494
   4 R% B4 E" L+ I7 l0 ]8 m
5. >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
   + g9 _) f0 l9 D# j+ q, x
6. 如果/放到/post/中/将/出错/。
   + B1 e& K- h9 D1 I; d; t0 E- Q
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)
     A9 d" W) z7 ?2 e: Z9 L
10. 69
    
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）
0 m4 R& J  z# f3 k& D

• 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
  

1. >>> import jieba
   * W7 S$ v) |" Y2 e# a# E" B/ j
2. >>> import jieba.posseg as pseg
   ! o8 L' G5 ^3 C% t4 @1 M
3. >>> words = pseg.cut("我爱北京天安门") #jieba默认模式
   + L9 C% a# m) g% k  q+ R% A
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:
   
7. ...    print('%s %s' % (word, flag))
   , B+ Y4 ]# a; q; S! }2 w  L
8. ...
   " ?, ~4 d4 k/ L1 j+ U
9. 我 r
   
10. 爱 v
    4 M2 x/ Q$ E% y; Y  S7 R6 \
11. 北京 ns
    
12. 天安门 ns

复制代码

3 W9 Y, r! ?/ v( j1 V" q9 xpaddle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