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：
  " B$ a: y5 ]2 J* T8 e

• 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。
  1 l$ J# }  p( ]7 N! z) C, B/ U// 目前paddle模式支持jieba v0.40及以上版本。
  5 Q( T  C/ j$ @5 d/ W// jieba v0.40以下版本，请升级jieba，pip install jieba --upgrade 。
  $ E9 r  H1 i% ?. i8 v8 G) B: _

• 支持繁体分词
• 支持自定义词典
• MIT 授权协议
  . O7 y) U) Q3 ~& I" c4 H7 W

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
  1 r2 U3 F% u0 W+ K: f; Z0 D

: ~' o7 w1 i$ r% |6 q主要功能
) j7 e; D  g0 @- o& {一、分词
# b# r& {3 A1 J! @$ a9 D( gjieba.cut 方法接受四个输入参数:
) V/ P' }  c1 z' `; q5 y9 ]

• 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；
  $ \6 d6 w5 ?: o: c! s$ I% E

jieba.cut_for_search 方法接受两个参数：
& f6 V5 O. V5 H/ ?: K0 ^/ ]% S

• 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
( O# `+ }1 O: h9 ~4 P/ J7 p6 a待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。
# O2 Y4 G/ e5 ^& H" n  O5 N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，
可以使用 for 循环来获得分词后得到的每一个词语(unicode)，
& E% K9 k4 Y) c1 U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。
) p4 N8 N& I3 e) K4 ?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。
# M6 W3 B5 G1 L3 k

---

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
  

- `* R* Z5 K9 i6 S  a/ q# M) J+ @9 ujieba 三种模式的使用

1. # -*- coding: utf-8 -*-
   
2. import jieba
   ( V1 I* N; z4 f( G' ^# G. ~
3. 
   
4. seg_str = "好好学习，天天向上。"
   4 V; i9 F6 K3 Q* X6 y, O
5. 
   
6. print("/".join(jieba.lcut(seg_str)))    # 精简模式，返回一个列表类型的结果
   
7. print("/".join(jieba.lcut(seg_str, cut_all=True)))      # 全模式，使用 'cut_all=True' 指定
   ; ]/ t  q  @9 Y; Z8 \+ o
8. print("/".join(jieba.lcut_for_search(seg_str)))     # 搜索引擎模式

复制代码

分词效果：
  j) L8 ]/ K" _4 z6 {

5 ?6 X$ Y" K& G3 {

jieba 分词简单应用
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 -*-
   ) S, k; g) h, z$ o8 {
2. import jieba
   + w/ h' B4 e2 A0 {# X! X
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
   
7. 
   
8. for word in words:
   
9.     if len(word) == 1:    # 单个词语不计算在内
   
10.         continue
    
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
    
13. 
    
14. items = list(counts.items())
    $ ]9 n  L: t; `& }9 s$ b  {9 E  `
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
    1 S2 |7 t+ h1 P; j6 S& N# [6 P
16. 
    3 M* F) W7 j+ K+ {% P
17. for i in range(3):
    ; K6 y' I  S5 j4 w2 D. ~
18.     word, count = items[i]
    
19.     print("{0:<5}{1:>5}".format(word, count))

复制代码

# w) R. ~: p+ H" P统计结果：


! v2 I3 _4 S; l2 g6 h. ^6 R: \

扩展：英文单词统计
4 r% s( C3 d4 x4 n, _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 -*-
   4 O$ x, @2 O8 L8 ~* z: Q) T8 e
2. 
   
3. def get_text():
   ; x. a+ _/ O4 n' T/ x
4.     txt = open("1.txt", "r", encoding='UTF-8').read()
   
5.     txt = txt.lower()
   0 ^2 _8 N0 r& y) W  I
6.     for ch in '!"#$%&()*+,-./:;<=>?@[\\]^_‘{|}~':
   
7.         txt = txt.replace(ch, " ")      # 将文本中特殊字符替换为空格
   $ v9 J4 f! _) x: y
8.     return txt
   $ C) s) V2 {" G# \. T, E& C
9. 
   / H% A3 A# ?& G1 g! h" n% b
10. file_txt = get_text()
    9 ?3 m( m( b$ i& ^4 A* `  e( y
11. words = file_txt.split()    # 对字符串进行分割，获得单词列表
    
12. counts = {}
    4 D4 p2 g& I! N. l  V; q
13. 
    
14. for word in words:
    
15.     if len(word) == 1:
    
16.         continue
    
17.     else:
    ( K5 n( f5 ^! m: B8 a
18.         counts[word] = counts.get(word, 0) + 1
    6 r/ l8 r; R5 [( o
19. 
    ) G0 A& |. [4 \# R$ H! i& a0 T
20. items = list(counts.items())   
    
21. items.sort(key=lambda x: x[1], reverse=True)      
    , D! n3 z! ?& H7 S* f& P" \4 h
22. 
    : T. \9 H( ^% m$ R9 g# Y
23. for i in range(5):
    
24.     word, count = items[i]
    
25.     print("{0:<5}->{1:>5}".format(word, count))

复制代码

' T0 n& q8 w) u# k7 R统计结果：


! `  S8 r. g; z' z* V8 ^
载入词典
5 n# q5 Z% Z" V+ N; j$ ]

• 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。
  ) K+ I, ~: z; l. e& C

• 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。
  " _" N) M- H1 V) M& M4 [9 b  Q

2 o+ Q1 ]3 M& B+ l" P* Q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

& X5 y, ~6 S3 V, A% D: b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 /
6 d4 [% E0 N7 k( ~/ a( K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 /
/ G+ n1 Y+ e0 Y
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. 494
   8 U% T9 a5 O7 }" ^0 k
5. >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
   " ~. r# Y/ x( W) B5 ^
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)))
   / U) J  F" C# L
8. 「/台/中/」/正确/应该/不会/被/切开
   ! I' u1 e+ x7 F* N) h, t7 C: e0 P
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）
9 e$ _- Z) y4 ~  ~

• 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
  ; k8 E" E0 C$ z2 l1 _

1. >>> import jieba
   
2. >>> import jieba.posseg as pseg
   
3. >>> words = pseg.cut("我爱北京天安门") #jieba默认模式
   . h/ W! ^" B* ^6 u0 ^
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
   3 e( w  r4 g- Z; Y, s& F$ w
6. >>> for word, flag in words:
   
7. ...    print('%s %s' % (word, flag))
     [$ x$ o  C; D) m- D# h8 G# W, A
8. ...
   
9. 我 r
   * @8 M: m& ^& x2 V: W3 J
10. 爱 v
    
11. 北京 ns
    - t9 j  j! T# `+ d
12. 天安门 ns

复制代码

1 ~# [. ^' b4 ypaddle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