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

---

特点

• 支持四种分词模式：
  8 Q0 W% _8 c+ O& s7 T* x+ R

• 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。
  // 目前paddle模式支持jieba v0.40及以上版本。
  : k0 v5 g& q8 O) m( L; ]// jieba v0.40以下版本，请升级jieba，pip install jieba --upgrade 。
  - E  S9 N  E9 i. m7 x/ `

• 支持繁体分词
• 支持自定义词典
• MIT 授权协议
  : d2 Z" ^" s, e% Q8 o+ k' F5 N

8 J1 J; g/ K9 v# A) f4 F  M/ h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
  

0 u& F. f1 V, k+ z, Z; U主要功能
一、分词
) T- l) M0 X1 |0 d/ G% m  r: ejieba.cut 方法接受四个输入参数:
% T2 j* n# I* @6 A9 P/ Q- l% E

• 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；
  & v0 @& J# o* ]3 V5 L

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。
  & L! Q6 m. ]# C9 y' Y0 q0 K

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
待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。
. G! ~# ^) k- c  y+ g4 W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
9 Q3 v; P) D9 H" {3 N7 {8 Kjieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator，
" j! A8 I# H  ]) w3 j0 J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。
) o8 I6 G& p& s3 K6 fjieba.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：

• 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 -*-
   
2. import jieba
   
3. 
   $ L/ E% ]# C, x2 O$ |9 u. p
4. seg_str = "好好学习，天天向上。"
   0 Z! U: q; N% a& R8 Y6 q
5. 
   
6. print("/".join(jieba.lcut(seg_str)))    # 精简模式，返回一个列表类型的结果
     A7 n6 T, Y0 j
7. print("/".join(jieba.lcut(seg_str, cut_all=True)))      # 全模式，使用 'cut_all=True' 指定
   6 E1 e( r0 x( t  E
8. print("/".join(jieba.lcut_for_search(seg_str)))     # 搜索引擎模式

复制代码

分词效果：
: F7 N7 @! i1 Z, j! P; P
" T: U, G; w) |4 K* d( c% E


/ A- Z$ C7 M+ i. C, f( ojieba 分词简单应用
) Y+ m$ i$ F0 {  Q5 L3 ]$ i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 -*-
   
2. import jieba
   ' y0 p, u' C8 D9 J: S0 ~8 r
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
   ' ~; x7 [0 e6 t" B0 j  f4 q
7. 
   
8. for word in words:
   2 r. d( L6 [* w! S3 |! q' B
9.     if len(word) == 1:    # 单个词语不计算在内
   
10.         continue
    5 @& m# R( a0 p4 `
11.     else:
    4 S' u* U$ _+ J: ]: }) C' a) h
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
    
13. 
    
14. items = list(counts.items())
    9 P" W( u* W9 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):
    7 Y9 C3 ]& h; x- t, i5 V& n
18.     word, count = items[i]
    ( Z% {" q- k% A  [1 U/ ~( _( z$ A
19.     print("{0:<5}{1:>5}".format(word, count))

复制代码

4 q/ K  K/ C; b9 V! I统计结果：
  V: q9 ?5 b- c, N6 W, p9 P0 |

! G0 x* s  U- \2 B7 I
' G* |9 t" G  M  g
; r1 E( x- Z0 A3 O扩展：英文单词统计
- k5 ^% V) }9 C* a; I5 g, B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。
- |2 ~% |8 x: y' }

1. # -*- coding: utf-8 -*-
   
2. 
   
3. def get_text():
   , Y+ i& D" ]7 I7 H5 B/ U8 |
4.     txt = open("1.txt", "r", encoding='UTF-8').read()
   
5.     txt = txt.lower()
     [& X" L" D3 R$ T9 J
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
   7 X; o1 J0 N, Z% E
9. 
   0 _- B7 }1 z# h/ `+ l  I7 L
10. file_txt = get_text()
    - a- z5 N! J9 j4 |
11. words = file_txt.split()    # 对字符串进行分割，获得单词列表
    
12. counts = {}
    
13. 
      W$ z* b; T" O; w: h2 g
14. for word in words:
    , N: x& a0 p* n. ?1 U" k
15.     if len(word) == 1:
    
16.         continue
    
17.     else:
    
18.         counts[word] = counts.get(word, 0) + 1
    
19. 
    
20. items = list(counts.items())   
    1 P; \$ B4 `0 N# a! O; s7 Y7 X
21. items.sort(key=lambda x: x[1], reverse=True)      
    
22. 
    
23. for i in range(5):
    
24.     word, count = items[i]
    5 j7 N) q/ \' `6 R1 r
25.     print("{0:<5}->{1:>5}".format(word, count))

复制代码

$ ~4 s; [& R# T5 ^$ F- V% e. a3 r统计结果：

4 o  K& P/ ^# q' r# ^8 W8 P

3 i$ u1 U6 }. K3 S载入词典

• 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。
  3 F/ S( z! A( b5 \0 k' w

• 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。
  1 f, j4 r5 V7 h: i

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 p! n# o- r! q" Q0 f+ N) V
( t9 V1 Z( r6 h3 X, S! H! Q' f8 E用法示例：
2 [/ W% s# n" [# g$ ], i+ G4 b" c8 @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 /
* D% y7 C- S" T/ c! h
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"
  ; t& {  w6 A  j1 ?' `

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/。
   $ a' O! Y$ E2 D& f: u
3. >>> jieba.suggest_freq(('中', '将'), True)
   ; r5 C1 H( d. f! I* q2 Y+ p
4. 494
   
5. >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
   3 F0 i( R: n- P" m, f) }
6. 如果/放到/post/中/将/出错/。
   3 {  o/ v7 v. G( {) 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
   & `, s1 {3 d3 c. [  A
9. >>> jieba.suggest_freq('台中', True)
   
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）

• 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
   ) _+ u+ I7 `& e1 O
2. >>> import jieba.posseg as pseg
   
3. >>> words = pseg.cut("我爱北京天安门") #jieba默认模式
   
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
   ' M5 R! r1 O8 M3 @% {
6. >>> for word, flag in words:
   
7. ...    print('%s %s' % (word, flag))
   
8. ...
   
9. 我 r
   
10. 爱 v
    
11. 北京 ns
    " m% V: ^, b. {1 a
12. 天安门 ns

复制代码

6 |6 u0 _, O5 J, ]6 k! f  x+ vpaddle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）
8 C0 d, a) P7 l3 D$ W) W. j

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