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9 J+ Q1 y- h* ^( }: u& P& {
6 f, f$ \5 m0 S! B
特点: \0 g6 y: s8 F6 n
- 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。/ s& w! m; s+ m3 O
// 目前paddle模式支持jieba v0.40及以上版本。; e" D) a! H' R: u7 Q7 O
// 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# x$ |/ p9 W% D, c# i
$ v1 h `$ S' a! K0 I1 I& ]
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 ` 9 `8 W7 x$ X: v$ u
主要功能
$ g9 H& h& @3 c$ x8 \一、分词" J0 w2 t/ O$ E, M7 W
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。2 F. z: V! |3 `7 W7 i3 B% _0 `$ y$ p
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8 P [# i3 w# J$ V+ D
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),4 B2 w+ d9 R. Y+ L
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。- s; h+ r% y- Z) Z. X+ z
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。7 |1 z# L( i! v. n8 _; B, f4 M
- 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 % R; `- Q. C" U- |0 H O4 \2 |% V
jieba 三种模式的使用- # -*- coding: utf-8 -*-( l% ~+ f, P( @* g; W
- import jieba7 v3 ]" @1 r, Q
1 ~7 C- C7 x3 P! J* M+ z( m4 L! Y- seg_str = "好好学习,天天向上。"
/ J1 {4 f3 {, f4 }9 i) G; S- s - / X. z% o1 e& x& q; x7 E' [: a
- print("/".join(jieba.lcut(seg_str))) # 精简模式,返回一个列表类型的结果1 \4 x, R# M$ P7 O0 E
- print("/".join(jieba.lcut(seg_str, cut_all=True))) # 全模式,使用 'cut_all=True' 指定 & C) W7 \6 q6 g H8 [2 w
- 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- # -*- coding: utf-8 -*-
2 z1 r, _, m* T- T) u; U! p9 _% c) O - import jieba
# |7 }+ H1 n8 D1 G; w - 6 u4 q ^/ {" ]: A
- txt = open("三国演义.txt", "r", encoding='utf-8').read()8 B* A6 |0 I9 ~- ]( X5 j8 m
- 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 - 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 - : L$ n4 H5 p2 j0 a. l3 q
- for word in words:
# w) c+ R- ? F9 ]# E( z5 K5 I - if len(word) == 1: # 单个词语不计算在内
5 r+ \8 D- g5 U; o! |' n/ Q* T - continue; a8 C( g5 ~/ ^2 v6 D! v
- else:2 u7 A' ^ C- m! R" H
- 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 - , F2 Y, e M: ^' h& h
- items = list(counts.items())
1 ` B" ]( D! a& a( }8 { - 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' a' D9 {; x: @9 E& t
0 y4 R1 p) ]& M- for i in range(3):( q" _5 C. t+ m T
- word, count = items[i]
, ], j' c! `8 _# G/ @ - print("{0:<5}{1:>5}".format(word, count))
复制代码 8 ~3 ]* u- g. s$ n1 H
统计结果:
3 p5 q) ^7 B/ L/ D. Q
, m& }& Z* y. m9 I- h) y- S6 [2 y0 O" a; f) }. Q
) N2 H% v* e4 r! H0 Z% `
+ 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- # -*- coding: utf-8 -*-) i" f( y% u) f1 g/ y" x- O
- * N, B9 E7 O% W* h% @- L3 m
- def get_text():7 t& \: U2 l3 g" @+ _# j
- txt = open("1.txt", "r", encoding='UTF-8').read()* x% j6 y" C+ W; F7 Q( a9 |
- txt = txt.lower()' K7 v/ \$ w, F4 a
- for ch in '!"#$%&()*+,-./:;<=>?@[\\]^_‘{|}~':
/ G( q7 E* W+ k; X8 z1 G - txt = txt.replace(ch, " ") # 将文本中特殊字符替换为空格
]: w) U) J( [3 ~- q+ J- ?6 w - return txt7 o% n8 H1 _* }* w
- % k. j$ f; C9 F( B, T
- file_txt = get_text()
# D$ `* o' y5 p1 z1 r - words = file_txt.split() # 对字符串进行分割,获得单词列表: ?$ c1 q! `' Z" e V
- counts = {}
$ ~3 l2 u, D4 s F& v - 5 y8 r/ X. C$ S5 ?% I& r" N, r4 A
- for word in words:
( W \6 R7 O B: l - if len(word) == 1:, Y3 J# w/ t4 b$ P4 m0 l' v8 n
- continue, `0 g% J' \, z1 o# @
- else:
9 `& [0 }6 F/ ?% g - counts[word] = counts.get(word, 0) + 1 2 |1 t+ I7 D/ i
+ P4 O: ~6 V4 {0 `, e9 q- items = list(counts.items())
+ N5 Y; f9 } p+ m0 T: i; L - items.sort(key=lambda x: x[1], reverse=True)
! p! z; W. s9 t& C, r5 q A- a - + ~1 k; f! R5 H
- for i in range(5):
' y% e+ [+ Y# w5 n - word, count = items[i]7 U P u) G4 P4 l. k
- print("{0:<5}->{1:>5}".format(word, count))
复制代码 4 c) }4 J# q; w0 |7 O9 p
统计结果:0 R8 b" H% q; k7 @* B
9 b" y! m _# G. u
: A5 p- m) ?) O. L" e" P- R3 R4 u2 G& z: I% ^& B3 t% L& S5 r d
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。$ O$ r! e3 p) r8 F- I
- 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。* Q6 N0 V3 Z& Y
% Z; ?! s0 D% ]自定义词典及范例:
7420-01-01.zip
(1.28 KB, 下载次数: 3)
. 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 /; A ~ y* J% a5 m
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 /3 l2 v" P( R( u P1 H, l" v; s8 W
C u* P1 r. N. I$ F( 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 \* q+ c( V! s% J& k+ W$ U
- >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
4 z Q1 V" I( N - 如果/放到/post/中将/出错/。9 o* _/ l: m6 D* f; E
- >>> jieba.suggest_freq(('中', '将'), True)
+ E3 E' ]/ P3 f1 s7 z8 t- l: M+ V - 494
. t+ E4 F4 V2 D. }8 }2 i - >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))2 B, G7 C4 o. z8 L1 @% g5 T! z: l' q6 y; z
- 如果/放到/post/中/将/出错/。
/ v/ Y+ z* r% | - >>> 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 - 「/台/中/」/正确/应该/不会/被/切开
' F1 H& [5 i! S y& d/ @ s: k - >>> jieba.suggest_freq('台中', True)4 j1 a, f9 B5 c3 V0 F( e% j
- 69
. b$ ^, j4 D k0 x" l$ V) T* A& S - >>> 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 - 「/台中/」/正确/应该/不会/被/切开
复制代码 & E" B r9 J1 R( s: n
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
- >>> import jieba# W4 w. |1 r( j( Y, Q
- >>> import jieba.posseg as pseg
8 J& [7 I4 d4 S% `& _, l - >>> words = pseg.cut("我爱北京天安门") #jieba默认模式/ _3 x- }6 P d9 h& j5 `
- >>> 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 - >>> 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 - >>> for word, flag in words:
( x1 s' ]/ V8 H - ... print('%s %s' % (word, flag))
4 B' W* ~2 F4 x% F/ V) t+ W - ...% o3 l2 ]% |0 f- F3 Y P
- 我 r3 t# M3 \9 Q+ z5 f5 v/ d% C
- 爱 v* Y0 s" ~5 S/ S8 u/ y# v6 W, l
- 北京 ns
2 X* y6 ^- F& e" P8 G9 ]( o2 ` - 天安门 ns
复制代码 ' W' G9 \# \8 T. R% t
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 |
|