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 i' U3 v( K/ m: X' K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。
  3 T9 i  g5 k) e5 A// 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。
  4 e% B/ S' H) ^! e// jieba v0.40以下版本，请升级jieba，pip install jieba --upgrade 。
    W- Q5 x& j$ v3 T2 n

• 支持繁体分词
• 支持自定义词典
• MIT 授权协议
  9 I+ j9 K/ ^/ u

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
  % }/ _: s4 C; E8 |, I- A3 o

. T% z$ `3 w. U) l- P主要功能
! x( a4 R  N4 v8 M( T' e4 p. _% x! ?一、分词
; m$ R5 S$ f; p1 V* y% d4 R( ujieba.cut 方法接受四个输入参数:
% E; Y$ a" l6 b: Z! z; l

• 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。
  / X: S# V  e5 g- Q* m/ l

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
( r! I0 q% N: b, W8 ?4 S待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。
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，
1 Z5 w5 S: P( k; D可以使用 for 循环来获得分词后得到的每一个词语(unicode)，
, S' k2 c6 z% 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。
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。

6 S4 u+ K  D+ k# R

---

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
  

# U$ Y$ N" n" K) ojieba 三种模式的使用

1. # -*- coding: utf-8 -*-
   
2. import jieba
   
3. 
   
4. seg_str = "好好学习，天天向上。"
   
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
   ' \1 _' O% V- i# P
8. print("/".join(jieba.lcut_for_search(seg_str)))     # 搜索引擎模式

复制代码

分词效果：
& u8 P2 `5 W" D! M



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
4 \# v( _$ `; T$ \+ u

1. # -*- coding: utf-8 -*-
   1 [. `5 m- G$ h( p# ^- Y, k' _
2. import jieba
   5 }( n+ ?, r& n5 d
3. 
   7 k/ R: w/ U, u8 _& \" `
4. txt = open("三国演义.txt", "r", encoding='utf-8').read()
   6 j+ z* M8 [* O; D7 I4 y( F
5. words = jieba.lcut(txt)     # 使用精确模式对文本进行分词
   3 j% k* e9 V) {4 W7 E) P
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
    6 `5 P8 P* q- m9 M/ ^5 M
11.     else:
    / L0 o6 u8 i( D6 e9 b" [
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
    - L1 ^. y- M) |
13. 
    ) R' Z7 w3 {* g" m6 b1 q5 @
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
    $ u* _5 E5 d. V1 ~
16. 
    5 r* n0 o% _7 s9 k0 {
17. for i in range(3):
    8 y: [. n9 E0 Y4 o+ f: G8 ?* S
18.     word, count = items[i]
    ; W: K) t/ l' b0 L4 Z
19.     print("{0:<5}{1:>5}".format(word, count))

复制代码

统计结果：


' N, V" H) ^$ K
5 g$ R& L1 A/ q% e3 J
扩展：英文单词统计
7 e7 ~' [; T0 ~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 -*-
   
2. 
   ' r! c0 n8 A5 q7 L% Z: Z3 k9 _. T4 P
3. def get_text():
   9 h- Z; A3 K8 w: X  Z
4.     txt = open("1.txt", "r", encoding='UTF-8').read()
   
5.     txt = txt.lower()
   * f2 L+ _$ n' f" f) q1 T. {
6.     for ch in '!"#$%&()*+,-./:;<=>?@[\\]^_‘{|}~':
     {& e' o, n8 m3 B; t
7.         txt = txt.replace(ch, " ")      # 将文本中特殊字符替换为空格
   
8.     return txt
   
9. 
   * ^* G- |2 J+ G. j% N: X3 F
10. file_txt = get_text()
    0 b: n& b* M# ]
11. words = file_txt.split()    # 对字符串进行分割，获得单词列表
    
12. counts = {}
    : F, I/ H+ `8 C7 y1 Y  R" ]
13. 
    ) j* x$ `9 b; c2 R/ b7 B! h
14. for word in words:
    
15.     if len(word) == 1:
    0 }8 t9 z- g# [0 ~8 H$ J6 b7 y- F, v9 A( T
16.         continue
    7 t2 t2 |+ @4 R0 K
17.     else:
    8 m. }+ `2 e% N1 A- S$ o" C0 }
18.         counts[word] = counts.get(word, 0) + 1
    , i8 t% j* g) E* m* K/ ~
19. 
    8 C7 q+ v8 F9 v1 D- _1 ]
20. items = list(counts.items())   
    6 D% P% g1 f# K  P- n- ^6 i
21. items.sort(key=lambda x: x[1], reverse=True)      
    ; ~5 v5 t# C8 }& m5 i
22. 
    ( L; {5 P$ d7 R" ]
23. for i in range(5):
    
24.     word, count = items[i]
    0 }; g- Y4 S, i
25.     print("{0:<5}->{1:>5}".format(word, count))

复制代码

统计结果：

9 ?4 \  q1 `9 Y! L) d- H

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。
  # t3 I+ Z+ V/ e. e4 G2 _4 e% h

• 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。
  4 T/ @( t/ F: l  Q6 s0 i8 i8 f' y3 ^

- Y" C7 N6 G, [" c1 l" a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

0 b& ~# l2 q' d' ~) B7 D
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 /

  \6 J/ Y1 l2 P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)))
   4 F1 h; R1 @2 e6 \& Q
2. 如果/放到/post/中将/出错/。
   
3. >>> jieba.suggest_freq(('中', '将'), True)
   
4. 494
   * d6 j9 Y. H/ e; u8 W
5. >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
   0 }- [0 G. a- M" {% i* K
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 x3 f! a. J1 ]+ D
8. 「/台/中/」/正确/应该/不会/被/切开
   
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)))
    ! `. ]( O6 O+ D8 i% S2 v7 }! e
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
  3 I& ~9 ?- r3 M' n# m7 J; |: v! [

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
   ! v: z/ m+ F4 _# a& P) v
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
   ( U) J: y# w0 ]# x
5. >>> words = pseg.cut("我爱北京天安门",use_paddle=True) #paddle模式
   5 h' M% R2 \* Y3 k7 v
6. >>> for word, flag in words:
   
7. ...    print('%s %s' % (word, flag))
   
8. ...
   $ ^" G  S; `6 E! I# i; d
9. 我 r
   & Y0 Y6 C: w5 L7 c/ j* R5 ~
10. 爱 v
    - Y7 u  T# c3 M2 P+ F2 f) @
11. 北京 ns
    3 n3 o1 N6 A* s: @
12. 天安门 ns

复制代码

+ c- x4 C0 f  z+ p2 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