马上注册,结交更多好友,享用更多功能,让你轻松玩转新大榭论坛!
您需要 登录 才可以下载或查看,没有账号?注册
x
jieba “ 结巴 ” 中文分词:做最好的 Python 中文分词组件, E! T; ^6 k) ]# E6 j) X
k4 X" m* b2 ?! u) c
特点0 s# K/ k# ]& l1 c4 e! x
- 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。' h8 e9 p* h- G7 \0 O
// 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 8 v# i1 D* x3 @- w" n* i1 m
安装说明$ x# v: A5 h! O& v. r: r
- 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。$ j- K; H9 N3 B2 j' R- o+ J8 C
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) ~; P, i. d* C$ d% q
jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator,3 s& v* p+ m. r# L. b
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 list3 h5 l+ a, J* g' n2 u! d3 \
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) Y. B. O P* T; D* L) H! 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: 9 l" W1 a! ?5 |" s5 n% \! K
- 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+ {) N' X/ k4 ~
- `* R* Z5 K9 i6 S a/ q# M) J+ @9 ujieba 三种模式的使用- # -*- coding: utf-8 -*-* {+ G3 f1 h, T8 [! d
- import jieba
( V1 I* N; z4 f( G' ^# G. ~ - # \, w$ Y/ W2 V& T' v& q: e
- seg_str = "好好学习,天天向上。"
4 V; i9 F6 K3 Q* X6 y, O - , R9 Q& b$ x- J3 W1 w
- print("/".join(jieba.lcut(seg_str))) # 精简模式,返回一个列表类型的结果" f4 Z% ?: v/ B$ }8 u
- 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 - 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 {
; @% T9 K0 b4 b8 v! T8 A1 r5 O0 S
5 ?6 X$ Y" K& G3 {/ D& N4 F7 e7 B0 K; J! T, d
3 h& n- _, B2 f
jieba 分词简单应用+ `! [9 G6 V1 @) w. a
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) z& S- }( c' C
- # -*- coding: utf-8 -*-
) S, k; g) h, z$ o8 { - import jieba
+ w/ h' B4 e2 A0 {# X! X - 1 P6 I: Q5 c* q; ]$ \7 m; x3 o
- txt = open("三国演义.txt", "r", encoding='utf-8').read()7 O. I. A* Q# e2 @2 Y' J
- words = jieba.lcut(txt) # 使用精确模式对文本进行分词: S" J! V. G' P; @' I1 L
- counts = {} # 通过键值对的形式存储词语及其出现的次数( V6 Y0 _. C1 B5 o1 G$ [/ ^6 r
- ; }8 C% x! z x: l% F6 m' k, a1 R
- for word in words:4 Z# h* C- d$ c3 ^" H( W7 T1 r
- if len(word) == 1: # 单个词语不计算在内" T& t( i- B. m( o [ @
- continue6 |) F6 x H* {' K' r3 S! {: E* B
- else:* ?7 M3 f' ^ z6 V8 V* T
- 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% a e, {, V' ]! ^2 B
- ; ~0 k& s# f9 }! \0 X, I
- items = list(counts.items())
$ ]9 n L: t; `& }9 s$ b {9 E ` - 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
3 M* F) W7 j+ K+ {% P- for i in range(3):
; K6 y' I S5 j4 w2 D. ~ - word, count = items[i]2 I9 O; H9 F9 Q7 s4 Q
- print("{0:<5}{1:>5}".format(word, count))
复制代码
# w) R. ~: p+ H" P统计结果:" S8 \& }. N- H+ A% A8 a
& z- G' _& Z6 j+ Z
! v2 I3 _4 S; l2 g6 h. ^6 R: \' E0 \; a7 o% N7 d2 K
6 _' h" A, ]2 n6 |: x& o: u
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。5 O5 T Z, k' ]0 `: V( `
- # -*- coding: utf-8 -*-
4 O$ x, @2 O8 L8 ~* z: Q) T8 e - , Q" n# c* c, X) ]% l2 G# l
- def get_text():
; x. a+ _/ O4 n' T/ x - txt = open("1.txt", "r", encoding='UTF-8').read()- @, I) H7 g$ x' V4 E1 W
- txt = txt.lower()
0 ^2 _8 N0 r& y) W I - for ch in '!"#$%&()*+,-./:;<=>?@[\\]^_‘{|}~':& Z$ U s. q O0 G1 J/ {
- txt = txt.replace(ch, " ") # 将文本中特殊字符替换为空格
$ v9 J4 f! _) x: y - return txt
$ C) s) V2 {" G# \. T, E& C
/ H% A3 A# ?& G1 g! h" n% b- file_txt = get_text()
9 ?3 m( m( b$ i& ^4 A* ` e( y - words = file_txt.split() # 对字符串进行分割,获得单词列表: @+ r8 o4 o6 J; Y$ r+ s
- counts = {}
4 D4 p2 g& I! N. l V; q - + S( q( K; f( b
- for word in words:# [6 i" a% q+ M
- if len(word) == 1:; ~0 L1 C7 o; i
- continue: Z& M# b+ y' j: X6 \; F$ h1 U0 D
- else:
( K5 n( f5 ^! m: B8 a - counts[word] = counts.get(word, 0) + 1
6 r/ l8 r; R5 [( o
) G0 A& |. [4 \# R$ H! i& a0 T- items = list(counts.items()) / F2 r6 {& y' @$ c
- items.sort(key=lambda x: x[1], reverse=True)
, D! n3 z! ?& H7 S* f& P" \4 h
: T. \9 H( ^% m$ R9 g# Y- for i in range(5):, w& S2 ~: [6 ^& k& q/ ^+ b% I8 R
- word, count = items[i], } k( D+ @3 ?5 ?
- print("{0:<5}->{1:>5}".format(word, count))
复制代码
' T0 n& q8 w) u# k7 R统计结果:$ `+ t0 w, q3 _7 Z0 D, h
H. a0 I1 h |8 |1 d! l
! ` S8 r. g; z' z* V8 ^) J2 u q7 I9 W7 s' P; a
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)
% q, x2 C2 R$ X0 S2 @
& X5 y, ~6 S3 V, A% D: b用法示例:1 m6 |' c% a ?1 _4 x- \
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& I: q# y, f) _) s9 r
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"* T9 L- r$ A3 t8 e) A3 R, z' ^
- >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))) Z" \8 ~0 r& I
- 如果/放到/post/中将/出错/。) |" j& Z9 z7 ~
- >>> jieba.suggest_freq(('中', '将'), True)! }. }* _; o/ Z; e8 |
- 494
8 U% T9 a5 O7 }" ^0 k - >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
" ~. r# Y/ x( W) B5 ^ - 如果/放到/post/中/将/出错/。$ |8 u6 w0 G- H- c
- >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
/ U) J F" C# L - 「/台/中/」/正确/应该/不会/被/切开
! I' u1 e+ x7 F* N) h, t7 C: e0 P - >>> jieba.suggest_freq('台中', True), Y2 I% y+ [- {% ]! K; H. U
- 69" z" T2 R0 v) `& x1 C/ w) V
- >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))% B1 g5 }; T" v
- 「/台中/」/正确/应该/不会/被/切开
复制代码 ! h) K& Z5 v% c/ I. q: \
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 _
- >>> import jieba. X) p: E ?9 |( m
- >>> import jieba.posseg as pseg# E' W# Z, i4 }$ P6 K4 Y5 R8 V2 F; u
- >>> words = pseg.cut("我爱北京天安门") #jieba默认模式
. h/ W! ^" B* ^6 u0 ^ - >>> jieba.enable_paddle() #启动paddle模式。 0.40版之后开始支持,早期版本不支持& I- n( N* G+ i/ e9 J
- >>> 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 - >>> for word, flag in words:* z$ ?5 N8 b* t5 O) b
- ... print('%s %s' % (word, flag))
[$ x$ o C; D) m- D# h8 G# W, A - ...8 ?4 L* ?3 F, ~, f& P2 h, E
- 我 r
* @8 M: m& ^& x2 V: W3 J - 爱 v7 R, r! X3 _) h- c/ f
- 北京 ns
- t9 j j! T# `+ d - 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); Q Y/ {9 f$ _1 w* g; {
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 |
|