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

• 支持四种分词模式：
  ( ?3 {5 L, z, Q( _/ ~$ @

• 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。
  6 i* i; I4 u' L// 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 。
  " I, a% v$ k' U% V& t( A$ _3 x1 F  u

• 支持繁体分词
• 支持自定义词典
• MIT 授权协议
  

安装说明
8 s& L0 }4 D; X' W) o" v( N; g

• 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
    z6 _2 t/ ^# U+ B* r2 `

主要功能
$ g9 H& h& @3 c$ x8 \一、分词
jieba.cut 方法接受四个输入参数:
( P& @) u9 p7 y  e$ R

• 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；
  5 B1 k, G6 |% I& R( F0 Y1 @: |# [

jieba.cut_for_search 方法接受两个参数：
4 x) b5 }* W  y8 h9 k( a

• 需要分词的字符串；
• 是否使用 HMM 模型。
  

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。
0 I) A6 s$ v! C: ~$ W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
6 L) a5 S: s9 Y- ~jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator，
( r, d) u/ B, B# P0 [( X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
* }, m: k2 h" f+ u8 j% {* Qjieba.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。

- d) b  y, W$ `: m' j: C- M  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：

$ |% }( t" q1 d* c5 t" I

• 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
  2 d4 V' E" U$ K- ~2 N5 L

jieba 三种模式的使用

1. # -*- coding: utf-8 -*-
   
2. import jieba
   
3. 
   1 ~7 C- C7 x3 P! J* M+ z( m4 L! Y
4. seg_str = "好好学习，天天向上。"
   / J1 {4 f3 {, f4 }9 i) G; S- s
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：
% M$ S, I- P( ~" g4 [/ A( r, z* \
: H/ W. \9 T5 w; d& o' B% f# F
/ s. E3 u- l& Q: d
5 s: m8 D, M1 m% }
9 t1 }0 s  }/ q* r3 wjieba 分词简单应用
6 t% P& M# h6 P9 f! E7 _: g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 K. z0 t4 T  B

1. # -*- coding: utf-8 -*-
   2 z1 r, _, m* T- T) u; U! p9 _% c) O
2. import jieba
   # |7 }+ H1 n8 D1 G; w
3. 
   
4. txt = open("三国演义.txt", "r", encoding='utf-8').read()
   
5. words = jieba.lcut(txt)     # 使用精确模式对文本进行分词
   7 K5 Q3 E. k1 n4 s. _3 r& f
6. counts = {}     # 通过键值对的形式存储词语及其出现的次数
   4 M( x% l/ I% w1 x7 ~5 S
7. 
   
8. for word in words:
   # w) c+ R- ?  F9 ]# E( z5 K5 I
9.     if len(word) == 1:    # 单个词语不计算在内
   5 r+ \8 D- g5 U; o! |' n/ Q* 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
    & ^/ G& z+ v* y; b8 q
13. 
    
14. items = list(counts.items())
    1 `  B" ]( D! a& a( }8 {
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
    
16. 
    0 y4 R1 p) ]& M
17. for i in range(3):
    
18.     word, count = items[i]
    , ], j' c! `8 _# G/ @
19.     print("{0:<5}{1:>5}".format(word, count))

复制代码

统计结果：
3 p5 q) ^7 B/ L/ D. Q
, m& }& Z* y. m9 I- h) y


+ t/ d2 D& E8 h/ a3 Y/ a扩展：英文单词统计
1 L. o# p  k; O4 h' J  b5 b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。
0 O) p1 I; |4 l7 @( E& B" e' n& X% K

1. # -*- coding: utf-8 -*-
   
2. 
   
3. def get_text():
   
4.     txt = open("1.txt", "r", encoding='UTF-8').read()
   
5.     txt = txt.lower()
   
6.     for ch in '!"#$%&()*+,-./:;<=>?@[\\]^_‘{|}~':
   / G( q7 E* W+ k; X8 z1 G
7.         txt = txt.replace(ch, " ")      # 将文本中特殊字符替换为空格
     ]: w) U) J( [3 ~- q+ J- ?6 w
8.     return txt
   
9. 
   
10. file_txt = get_text()
    # D$ `* o' y5 p1 z1 r
11. words = file_txt.split()    # 对字符串进行分割，获得单词列表
    
12. counts = {}
    $ ~3 l2 u, D4 s  F& v
13. 
    
14. for word in words:
    ( W  \6 R7 O  B: l
15.     if len(word) == 1:
    
16.         continue
    
17.     else:
    9 `& [0 }6 F/ ?% g
18.         counts[word] = counts.get(word, 0) + 1
    
19. 
    + P4 O: ~6 V4 {0 `, e9 q
20. items = list(counts.items())   
    + N5 Y; f9 }  p+ m0 T: i; L
21. items.sort(key=lambda x: x[1], reverse=True)      
    ! p! z; W. s9 t& C, r5 q  A- a
22. 
    
23. for i in range(5):
    ' y% e+ [+ Y# w5 n
24.     word, count = items[i]
    
25.     print("{0:<5}->{1:>5}".format(word, count))

复制代码

统计结果：

9 b" y! m  _# G. u
: A5 p- m) ?) O. L" e" P- R3 R
载入词典
8 C+ l8 b! {  Y1 h9 e* }

• 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。
  

% Z; ?! s0 D% ]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

. l3 O8 E& I) l7 @8 t6 ~
2 U; i* K$ Z" `用法示例：
0 O4 l# |3 A6 v! o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 /

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 \* q+ c( V! s% J& k+ W$ U

1. >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
   4 z  Q1 V" I( N
2. 如果/放到/post/中将/出错/。
   
3. >>> jieba.suggest_freq(('中', '将'), True)
   + E3 E' ]/ P3 f1 s7 z8 t- l: M+ V
4. 494
   . t+ E4 F4 V2 D. }8 }2 i
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/。
   / v/ Y+ z* r% |
7. >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
   " V* u% R* l% M8 C* Y0 z- n2 V' u
8. 「/台/中/」/正确/应该/不会/被/切开
   ' F1 H& [5 i! S  y& d/ @  s: k
9. >>> jieba.suggest_freq('台中', True)
   
10. 69
    . b$ ^, j4 D  k0 x" l$ V) T* A& S
11. >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
    & \  Y, Y! [: X& H) X0 H2 W' f" m
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）
' H" o+ ~% j, \1 Q/ B* s! \

• 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
  # w- n* t3 j% U) L' c/ s- X4 d

1. >>> import jieba
   
2. >>> import jieba.posseg as pseg
   8 J& [7 I4 d4 S% `& _, l
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
   9 z! G* r! ]. D) e5 c
5. >>> words = pseg.cut("我爱北京天安门",use_paddle=True) #paddle模式
   1 s+ E& ~. ^8 w2 D! Q( b/ U' ?+ u
6. >>> for word, flag in words:
   ( x1 s' ]/ V8 H
7. ...    print('%s %s' % (word, flag))
   4 B' W* ~2 F4 x% F/ V) t+ W
8. ...
   
9. 我 r
   
10. 爱 v
    
11. 北京 ns
    2 X* y6 ^- F& e" P8 G9 ]( o2 `
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）
, L6 i3 q! g# G- K

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