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
9 v( I( n, y7 e9 a/ G2 c

---

8 E) K6 V! o5 I特点

• 支持四种分词模式：
  8 l' C1 S' u0 ~) a8 f% b. 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。
  2 A- t  ]9 J1 w6 H1 t5 H& v6 k) U9 G// 目前paddle模式支持jieba v0.40及以上版本。
  * r. d" a8 C; G// 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
  ; j) w3 u; t# y

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 x- g2 C& ~. y2 \  S* a主要功能
! k# M4 D, I: ^$ ^; T4 O一、分词
jieba.cut 方法接受四个输入参数:
, |3 V; A/ G  S! b7 c3 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；
  0 X) n$ \# q. B5 G4 w0 b6 P( F- 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。
  6 K  y1 O3 K9 ^/ G- Y' 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
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，
可以使用 for 循环来获得分词后得到的每一个词语(unicode)，
2 W8 u7 H0 u1 z  ^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。

  Z$ y1 E, D) B/ c+ A  f" J

---

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：

% ^4 d) s7 N* v

• 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 -*-
   ' n( ]' ^, Y: v2 ^! d
2. import jieba
   8 y0 D, M2 A- ?/ [, _9 o5 P$ t
3. 
   2 h7 G8 \% @5 C
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
   - D% G2 a7 Q1 C! s$ U* e* I# n
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：
$ Y( g8 }2 |3 L  P/ O5 |# \2 R
& C/ _# W# t8 l- p

& T: E) o4 i$ l- h
/ ?8 n& U- |8 V; J% Tjieba 分词简单应用
$ x0 p' u5 v3 X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
  a9 x) N. P+ f$ a0 Z& e" w3 n9 ?

1. # -*- coding: utf-8 -*-
   
2. import jieba
   / r# b2 K0 ^) N* I7 T$ L" b2 |
3. 
   3 h9 A% n2 O3 N! P6 n
4. txt = open("三国演义.txt", "r", encoding='utf-8').read()
   5 o. {+ m3 {0 C& }8 J
5. words = jieba.lcut(txt)     # 使用精确模式对文本进行分词
   / k) |9 [# a2 n2 Y; d0 G" |, \1 C* v
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:
   - ?- d3 l& g; ?1 p( k# R9 s! |
9.     if len(word) == 1:    # 单个词语不计算在内
   * O1 p8 ?; e4 N7 x4 t
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
    ' u5 J( k5 h' H- S' v* ]" M9 S- }
13. 
      y. q+ C( C3 N
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
    8 P" {6 i( i. x# P& o3 X2 X
16. 
    $ D6 {2 p3 p) ], s
17. for i in range(3):
    
18.     word, count = items[i]
    / c: }# ^4 I. G# ^+ f
19.     print("{0:<5}{1:>5}".format(word, count))

复制代码

统计结果：
+ G* w! j1 u7 k
1 d6 G6 z3 Z: {8 L, O
3 O7 ~: R9 O; n8 G0 D

4 [1 E+ Z6 E; k( {* W3 H3 B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。

1. # -*- coding: utf-8 -*-
   % K) C8 q9 L" {# N$ U* `! ~& p$ {4 V
2. 
   9 U9 w' L; p/ |# h0 a
3. def get_text():
   1 ?! H. q) i4 n
4.     txt = open("1.txt", "r", encoding='UTF-8').read()
   
5.     txt = txt.lower()
   ( g% w6 U5 L7 Z
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
   
9. 
   
10. file_txt = get_text()
    
11. words = file_txt.split()    # 对字符串进行分割，获得单词列表
    ) u8 }1 Q  I. D
12. counts = {}
    
13. 
    
14. for word in words:
    * H( q3 M! ]" w' U1 p
15.     if len(word) == 1:
    
16.         continue
    1 v; ~# x" {* x( f, Q' y
17.     else:
    
18.         counts[word] = counts.get(word, 0) + 1
    
19. 
    # |5 D$ h$ P* j
20. items = list(counts.items())   
    
21. items.sort(key=lambda x: x[1], reverse=True)      
    
22. 
    
23. for i in range(5):
    * d5 p# R0 r2 e6 C" k1 G7 Y- j
24.     word, count = items[i]
    2 g! w- r8 N9 W1 J: V
25.     print("{0:<5}->{1:>5}".format(word, count))

复制代码

# E! w; G4 P+ z" e. @# }( F/ G统计结果：
$ {0 i# E# A1 \
5 \% t8 [0 X: F, D; a
" w$ s5 w8 X; r2 `& B" d
载入词典
3 o+ m9 g- H+ M. X7 h

• 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。
  

& C% t0 e4 ]3 ^9 J  P8 t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

5 D7 f3 K. C, S  {6 Q3 Z8 n  [用法示例：
, y4 F) _3 {. e( z之前： 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /
  t& B2 ?' a; n% _! {# B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 /

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
   / r, w3 \* P. w! i  ^7 N$ n; \' q$ \
5. >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
   6 b  S/ f5 d3 U
6. 如果/放到/post/中/将/出错/。
   & V* K& A' @4 N& s
7. >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
   % M0 I1 V! O' Z  ~+ ^) {* F
8. 「/台/中/」/正确/应该/不会/被/切开
   
9. >>> jieba.suggest_freq('台中', True)
   
10. 69
    % L9 H/ c9 T8 n" p! `1 o5 {; Z
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

7 H( a3 g1 G: a4 [词性标注（高中阶段选修）
  ]" g- v3 z3 |: A4 i& Z+ u+ N

• 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
  & I4 E" C) h8 w4 D4 y' [! a8 e

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
   
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
   
6. >>> for word, flag in words:
   
7. ...    print('%s %s' % (word, flag))
   ' d! C" K* T7 J
8. ...
   
9. 我 r
   
10. 爱 v
    
11. 北京 ns
    6 t& s8 e1 K  E  Z% `& Y6 M- U
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）

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