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
; I! T6 |$ x; i7 ]* C3 [+ B

• 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。
  // 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
  8 X; i2 t: ~+ N& X5 x) |

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
  / M7 v5 P' t8 z5 o

主要功能
一、分词
+ X+ o( ]# ?0 K  J. kjieba.cut 方法接受四个输入参数:
0 G* S- K' r( q; z/ {) K

• 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；
  + {* z  ]. A: u9 K/ m! K( \* q4 ^

jieba.cut_for_search 方法接受两个参数：
: ^2 Q) M# I+ {

• 需要分词的字符串；
• 是否使用 HMM 模型。
  " y. @1 P  ^; m- `6 V1 e9 k

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
* @' r0 W- b5 t! i8 ]/ Ijieba.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)，
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。
: R' m- Y) \1 s

---

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
  " P( h" I" ~6 B+ A

jieba 三种模式的使用

1. # -*- coding: utf-8 -*-
   4 h0 {- ~/ L' L/ \  M
2. import jieba
     w7 _! |6 F1 Z  @4 k3 }8 A. q
3. 
   
4. seg_str = "好好学习，天天向上。"
   0 o- Q5 T: Q6 n  R( V+ P8 @
5. 
   
6. print("/".join(jieba.lcut(seg_str)))    # 精简模式，返回一个列表类型的结果
   4 i& q: V0 N0 x5 r' Z& h
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：
- P% z0 t; S' I# q9 i; j
. B9 G2 P, R8 |5 J1 f
# q+ x1 P/ s5 K- Q; V  x; Y& y9 W
$ F& e# ~1 i: R0 Z% C0 i  ?" s
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 -*-
   
2. import jieba
   . E0 e% [: A) I% z2 [
3. 
   7 R! t6 h8 _* x! ~2 F' j
4. txt = open("三国演义.txt", "r", encoding='utf-8').read()
   % R/ t5 u2 u! [7 @
5. words = jieba.lcut(txt)     # 使用精确模式对文本进行分词
   3 c; U$ a" H$ d
6. counts = {}     # 通过键值对的形式存储词语及其出现的次数
   
7. 
   / @4 o$ ?9 ~/ V1 j3 ^- n- v
8. for word in words:
   7 d% o$ L) b) }( ]" x4 X6 u3 N
9.     if len(word) == 1:    # 单个词语不计算在内
   - D8 j+ R: K) m* y
10.         continue
    0 N; V/ ~( Z/ `+ T
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())
    $ U. q4 [2 c" d( e9 _* L
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
    7 C0 D. T% \2 x. I6 t" S3 `
16. 
    
17. for i in range(3):
    ! `# A& ^& W' ^8 \: q+ @5 ^
18.     word, count = items[i]
    % X8 i1 \# h7 y, `
19.     print("{0:<5}{1:>5}".format(word, count))

复制代码

统计结果：
' |, u9 c2 N/ K( Q

, @: ?  o) y% K, S. F1 e
+ A" j. \, t0 B
  j( b! U/ P  U$ F% T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。
' p7 a8 O6 t) s1 |) i3 v3 t

1. # -*- coding: utf-8 -*-
   
2. 
     b' c; \8 ]( I. ]6 J, z+ M+ \) ~
3. def get_text():
   ; f! E4 z# O0 t9 i
4.     txt = open("1.txt", "r", encoding='UTF-8').read()
   
5.     txt = txt.lower()
   5 Z3 b/ u* h& T0 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
   : [( n1 N% u% t* u7 T$ ?/ u
9. 
   
10. file_txt = get_text()
    : X4 R+ ~3 e! L, }
11. words = file_txt.split()    # 对字符串进行分割，获得单词列表
    
12. counts = {}
    
13. 
    . |! `2 d8 k; j0 c0 b! H
14. for word in words:
    $ R* {5 M0 h5 g/ E, C% W
15.     if len(word) == 1:
    
16.         continue
    ' j5 y+ w, @/ W/ Z; `/ ?
17.     else:
    1 ~; J  e" T, Y* U% e2 v
18.         counts[word] = counts.get(word, 0) + 1
    
19. 
      I7 ?, q& ^( A! P
20. items = list(counts.items())   
    * G! y5 G# z* E: H( {; E+ g
21. items.sort(key=lambda x: x[1], reverse=True)      
      y" k4 j; k2 W
22. 
    
23. for i in range(5):
    " [+ U9 }* {; y6 H7 n0 d; d
24.     word, count = items[i]
    
25.     print("{0:<5}->{1:>5}".format(word, count))

复制代码

统计结果：

; e1 z0 a4 h  L+ g4 m5 Z" T# B

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。
  * x3 R! P' e' V( c% K! ^& @" x% A- J" `

• 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。
  ; `. f% U3 J- h$ Q1 r! e/ ?

4 m2 s* p0 b, A( H5 R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 w8 y% h2 i7 T
  J* R! o$ ]) `! J  H. Q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 /
7 U  a  l% l: L) @( p( 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)))
   - Z+ @" t5 T! o0 K1 G
2. 如果/放到/post/中将/出错/。
   
3. >>> jieba.suggest_freq(('中', '将'), True)
   ; ?' a, ?3 p3 w+ P6 I. y
4. 494
   
5. >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
   
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)))
   $ {0 X) d' Q5 x, B
8. 「/台/中/」/正确/应该/不会/被/切开
   3 A$ ]2 R- p2 }; q4 Q
9. >>> jieba.suggest_freq('台中', True)
   8 ^4 u) {- `. _2 T" m  I8 w2 v
10. 69
    
11. >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
    3 K/ D% z& X, T5 y& l
12. 「/台中/」/正确/应该/不会/被/切开

复制代码

' m# ^; D" V" W* y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
  2 }1 |1 s$ D, `5 Q* I

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
   4 L. a7 e4 G" n% h# B- y
5. >>> words = pseg.cut("我爱北京天安门",use_paddle=True) #paddle模式
   / v9 P4 ~" E" `3 s7 F) ~. A4 `
6. >>> for word, flag in words:
   
7. ...    print('%s %s' % (word, flag))
   " j! P9 |& p  n) M4 g
8. ...
   9 d9 Y+ Q" e8 i( v
9. 我 r
   
10. 爱 v
    
11. 北京 ns
    
12. 天安门 ns

复制代码

! Z  s  y/ m- Wpaddle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