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

---

, ^. D% P9 l/ l/ H) s特点

• 支持四种分词模式：
  ) }$ H% G  X3 t8 x1 P% ?$ K

• 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。
  " a$ Y9 O) w6 S2 l" E// 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。
  // jieba v0.40以下版本，请升级jieba，pip install jieba --upgrade 。
  

• 支持繁体分词
• 支持自定义词典
• MIT 授权协议
  

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
  $ U/ p6 U7 ~8 m6 ~" K2 S* G

主要功能
7 {: Y) w$ J& [, z一、分词
* w9 A$ O2 c0 X- d' ajieba.cut 方法接受四个输入参数:
3 b  w9 X' b$ O- X* }" y5 M. D2 j

• 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；
  . o- J5 \8 l) E$ ?

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。
    G% S) w' T/ T$ V- n# 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
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
: J' E; K" }6 o8 ~$ g; wjieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator，
: V, m4 H: t7 c' |: L可以使用 for 循环来获得分词后得到的每一个词语(unicode)，
- o. l% f1 n$ o* c) e/ m8 U或者用jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
& [. D* d* y1 p, ?5 `4 sjieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器，可用于同时使用不同词典。
# O; ?6 }: v/ y# O* B# p, B2 Wjieba.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。
  n8 N( A1 M- x2 [8 D8 B( J( g
/ {2 G/ [1 A  R2 T2 A* |6 k2 G

---

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：

+ A* p$ T/ o/ l

• 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
  1 w7 C" h' o! Y! h) N# s

jieba 三种模式的使用

1. # -*- coding: utf-8 -*-
   " A3 g& G+ ^# t, l, ^3 Z
2. import jieba
   
3. 
   5 |+ M5 Y4 G4 {  T5 x
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
   
8. print("/".join(jieba.lcut_for_search(seg_str)))     # 搜索引擎模式

复制代码

分词效果：

' ~+ R  {. i* X3 Y( g% }


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
) G3 A; b( Y  e& d2 Y" l: Z

1. # -*- coding: utf-8 -*-
   % ^' j# W) V3 T! ?
2. import jieba
   : n+ q4 T9 s# k2 m8 @  Y
3. 
   6 C+ q% q6 A: \) o  h
4. txt = open("三国演义.txt", "r", encoding='utf-8').read()
   3 }. d2 h9 e# q" Y
5. words = jieba.lcut(txt)     # 使用精确模式对文本进行分词
   3 p* m( [/ S0 C, P0 q
6. counts = {}     # 通过键值对的形式存储词语及其出现的次数
   0 ~! S* E9 y1 I& B- W* m
7. 
   ! m1 I/ y3 c3 @" A9 [3 t* c
8. for word in words:
   
9.     if len(word) == 1:    # 单个词语不计算在内
     x+ w' @  y! ~8 g
10.         continue
    0 T  b9 P! [3 Q0 R; Z+ m2 [
11.     else:
    3 w1 Q6 T% k! h) c% K5 Q
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
    2 \8 I% N) j4 t
13. 
    
14. items = list(counts.items())
    8 E/ y' d2 G. Q. m, S- b- }
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
    , p- m3 V- K+ b" S
16. 
    . L1 L1 e9 O9 M
17. for i in range(3):
    # j" Z8 Q  b- ^/ Y" z
18.     word, count = items[i]
    
19.     print("{0:<5}{1:>5}".format(word, count))

复制代码

1 P8 _  @0 U  c5 |/ o统计结果：
/ T( n$ A6 K& N7 F1 l
- h" v1 o7 M( B4 i

& ^$ t5 C$ R. K' m& M" X
! }2 E8 O+ y1 z* c/ e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。
6 Y0 d: p6 J, J/ Q, z

1. # -*- coding: utf-8 -*-
   
2. 
   
3. def get_text():
   ; V' T. T- R# z2 K5 p% e
4.     txt = open("1.txt", "r", encoding='UTF-8').read()
   
5.     txt = txt.lower()
   
6.     for ch in '!"#$%&()*+,-./:;<=>?@[\\]^_‘{|}~':
   0 y' J) U& x0 o/ h/ c# k8 D
7.         txt = txt.replace(ch, " ")      # 将文本中特殊字符替换为空格
   + e9 h8 Y9 e' I, r5 i- Y- @2 W
8.     return txt
   
9. 
   / z2 ~" s5 |+ P7 K/ j7 m+ G
10. file_txt = get_text()
    3 d$ a3 D$ v3 v6 R8 U7 W" k( u5 K
11. words = file_txt.split()    # 对字符串进行分割，获得单词列表
    
12. counts = {}
    
13. 
    
14. for word in words:
    
15.     if len(word) == 1:
    
16.         continue
    6 R9 I0 Y2 B2 M
17.     else:
    
18.         counts[word] = counts.get(word, 0) + 1
    
19. 
    
20. items = list(counts.items())   
    7 T! z) P5 C# r, _% }  T7 O
21. items.sort(key=lambda x: x[1], reverse=True)      
    
22. 
    / L  A6 C( ^- S" ?" [1 o& f
23. for i in range(5):
    
24.     word, count = items[i]
    7 J0 P/ @, s- S, Q; v: ^
25.     print("{0:<5}->{1:>5}".format(word, count))

复制代码

统计结果：

5 u' }: M9 D) J( ]' e% k; c

/ K$ N& Y7 [- u7 q- ^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。
  

• 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。
  / P( c6 s! [2 w  c* y+ b

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

9 }! I. O# A3 x# r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 /
5 s% Q) w* D7 G6 X' t+ r
8 ~% f) c' E, [( `1 {8 q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 I: T; C7 h- a. t2 p/ U6 c# a2 m0 j1 _
4. 494
   5 e& i: w3 k. z) M* p
5. >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
   5 n9 O% T6 e& }) F8 p
6. 如果/放到/post/中/将/出错/。
   : B- M3 [/ m1 a7 _" w
7. >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
   , m7 W1 F; q1 B) J5 H8 [+ |' {
8. 「/台/中/」/正确/应该/不会/被/切开
   
9. >>> jieba.suggest_freq('台中', True)
   0 D% s& C. x! Z' a+ g9 q* j) O
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

# ~' N4 K8 ~4 j6 ]$ D词性标注（高中阶段选修）
# K  I+ o2 i+ E; J

• 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
   
2. >>> import jieba.posseg as pseg
   
3. >>> words = pseg.cut("我爱北京天安门") #jieba默认模式
   " p5 ^. r+ y5 Y/ [$ {- y
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 Y9 @1 o& p; ~1 `# e0 U
5. >>> words = pseg.cut("我爱北京天安门",use_paddle=True) #paddle模式
     ~" S9 Y) m- j+ X9 F1 z6 B
6. >>> for word, flag in words:
   ) [6 m/ g. K: H! ~* X9 |/ `  q" j
7. ...    print('%s %s' % (word, flag))
   ) a6 D  M% @3 X0 z# K( O
8. ...
   
9. 我 r
   
10. 爱 v
    
11. 北京 ns
    # T2 z3 A4 }9 q7 x9 O
12. 天安门 ns

复制代码

paddle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）
) ^3 z) @9 g* u5 F: f

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