JieBa ===== `jieba `__\ 结巴分词 “结巴”中文分词：做最好的 Python 中文分词组件 特点 ---- - 支持三种分词模式： :: - 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。 - 支持繁体分词 - 支持自定义词典 - MIT 授权协议 友情链接 -------- - https://github.com/baidu/lac 百度中文词法分析（分词+词性+专名）系统 - https://github.com/baidu/AnyQ 百度 FAQ 自动问答系统 - https://github.com/baidu/Senta 百度情感识别系统 安装说明 -------- 代码对 Python 2/3 均兼容 - 全自动安装：\ ``easy_install jieba`` 或者 ``pip install jieba`` / ``pip3 install jieba`` - 半自动安装：先下载 http://pypi.python.org/pypi/jieba/ ，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 算法 ---- - 基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG) - 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合 - 对于未登录词，采用了基于汉字成词能力的 HMM 模型，使用了 Viterbi 算法 主要功能 -------- 1. 分词 ~~~~~~~ - ``jieba.cut`` 方法接受三个输入参数: 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 - ``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。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)，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。 代码示例 .. code:: python # encoding=utf-8 import jieba seg_list = jieba.cut("我来到北京清华大学", cut_all=True) print("Full Mode: " + "/ ".join(seg_list)) # 全模式 seg_list = jieba.cut("我来到北京清华大学", cut_all=False) print("Default Mode: " + "/ ".join(seg_list)) # 精确模式 seg_list = jieba.cut("他来到了网易杭研大厦") # 默认是精确模式 print(", ".join(seg_list)) seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造") # 搜索引擎模式 print(", ".join(seg_list)) 输出: :: 【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学 【精确模式】: 我/ 来到/ 北京/ 清华大学 【新词识别】：他, 来到, 了, 网易, 杭研, 大厦 (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了) 【搜索引擎模式】： 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造 2. 添加自定义词典 ~~~~~~~~~~~~~~~~~ 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。 **例如：** :: 创新办 3 i 云计算 5 凱特琳 nz 台中 - 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。 - 范例： - 自定义词典：https://github.com/fxsjy/jieba/blob/master/test/userdict.txt - 用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py :: * 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。 代码示例： .. code:: pycon >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False))) 如果/放到/post/中将/出错/。 >>> jieba.suggest_freq(('中', '将'), True) 494 >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False))) 如果/放到/post/中/将/出错/。 >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False))) 「/台/中/」/正确/应该/不会/被/切开 >>> jieba.suggest_freq('台中', True) 69 >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False))) 「/台中/」/正确/应该/不会/被/切开 - “通过用户自定义词典来增强歧义纠错能力” — https://github.com/fxsjy/jieba/issues/14 3. 关键词提取 ~~~~~~~~~~~~~ 基于 TF-IDF 算法的关键词抽取 ^^^^^^^^^^^^^^^^^^^^^^^^^^^^ ``import jieba.analyse`` - jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=()) - sentence 为待提取的文本 - topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20 - withWeight 为是否一并返回关键词权重值，默认值为 False - allowPOS 仅包括指定词性的词，默认值为空，即不筛选 - jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件 代码示例 （关键词提取） https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py 关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径 - 用法： jieba.analyse.set_idf_path(file_name) # file_name 为自定义语料库的路径 - 自定义语料库示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big - 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.py 关键词提取所使用停止词（Stop Words）文本语料库可以切换成自定义语料库的路径 - 用法： jieba.analyse.set_stop_words(file_name) # file_name 为自定义语料库的路径 - 自定义语料库示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt - 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.py 关键词一并返回关键词权重值示例 - 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_with_weight.py 基于 TextRank 算法的关键词抽取 ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ - jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=(‘ns’, ‘n’, ‘vn’, ‘v’)) 直接使用，接口相同，注意默认过滤词性。 - jieba.analyse.TextRank() 新建自定义 TextRank 实例 算法论文： `TextRank: Bringing Order into Texts `__ 基本思想: ''''''''' 1. 将待抽取关键词的文本进行分词 2. 以固定窗口大小(默认为 5，通过 span 属性调整)，词之间的共现关系，构建图 3. 计算图中节点的 PageRank，注意是无向带权图 使用示例: ''''''''' 见 `test/demo.py `__ 4. 词性标注 ~~~~~~~~~~~ - ``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。 - 用法示例 .. code:: pycon >>> import jieba.posseg as pseg >>> words = pseg.cut("我爱北京天安门") >>> for word, flag in words: ... print('%s %s' % (word, flag)) ... 我 r 爱 v 北京 ns 天安门 ns 5. 并行分词 ~~~~~~~~~~~ - 原理：将目标文本按行分隔后，把各行文本分配到多个 Python 进程并行分词，然后归并结果，从而获得分词速度的可观提升 - 基于 python 自带的 multiprocessing 模块，目前暂不支持 Windows - 用法： - ``jieba.enable_parallel(4)`` # 开启并行分词模式，参数为并行进程数 - ``jieba.disable_parallel()`` # 关闭并行分词模式 - 例子：https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py - 实验结果：在 4 核 3.4GHz Linux 机器上，对金庸全集进行精确分词，获得了 1MB/s 的速度，是单进程版的 3.3 倍。 - **注意**\ ：并行分词仅支持默认分词器 ``jieba.dt`` 和 ``jieba.posseg.dt``\ 。 6. Tokenize：返回词语在原文的起止位置 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ - 注意，输入参数只接受 unicode - 默认模式 .. code:: python result = jieba.tokenize(u'永和服装饰品有限公司') for tk in result: print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2])) :: word 永和 start: 0 end:2 word 服装 start: 2 end:4 word 饰品 start: 4 end:6 word 有限公司 start: 6 end:10 - 搜索模式 .. code:: python result = jieba.tokenize(u'永和服装饰品有限公司', mode='search') for tk in result: print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2])) :: word 永和 start: 0 end:2 word 服装 start: 2 end:4 word 饰品 start: 4 end:6 word 有限 start: 6 end:8 word 公司 start: 8 end:10 word 有限公司 start: 6 end:10 7. ChineseAnalyzer for Whoosh 搜索引擎 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ - 引用： ``from jieba.analyse import ChineseAnalyzer`` - 用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py 8. 命令行分词 ~~~~~~~~~~~~~ 使用示例：\ ``python -m jieba news.txt > cut_result.txt`` 命令行选项（翻译）： :: 使用: python -m jieba [options] filename 结巴命令行界面。 固定参数: filename 输入文件 可选参数: -h, --help 显示此帮助信息并退出 -d [DELIM], --delimiter [DELIM] 使用 DELIM 分隔词语，而不是用默认的' / '。 若不指定 DELIM，则使用一个空格分隔。 -p [DELIM], --pos [DELIM] 启用词性标注；如果指定 DELIM，词语和词性之间 用它分隔，否则用 _ 分隔 -D DICT, --dict DICT 使用 DICT 代替默认词典 -u USER_DICT, --user-dict USER_DICT 使用 USER_DICT 作为附加词典，与默认词典或自定义词典配合使用 -a, --cut-all 全模式分词（不支持词性标注） -n, --no-hmm 不使用隐含马尔可夫模型 -q, --quiet 不输出载入信息到 STDERR -V, --version 显示版本信息并退出 如果没有指定文件名，则使用标准输入。 ``--help`` 选项输出： :: $> python -m jieba --help Jieba command line interface. positional arguments: filename input file optional arguments: -h, --help show this help message and exit -d [DELIM], --delimiter [DELIM] use DELIM instead of ' / ' for word delimiter; or a space if it is used without DELIM -p [DELIM], --pos [DELIM] enable POS tagging; if DELIM is specified, use DELIM instead of '_' for POS delimiter -D DICT, --dict DICT use DICT as dictionary -u USER_DICT, --user-dict USER_DICT use USER_DICT together with the default dictionary or DICT (if specified) -a, --cut-all full pattern cutting (ignored with POS tagging) -n, --no-hmm don't use the Hidden Markov Model -q, --quiet don't print loading messages to stderr -V, --version show program's version number and exit If no filename specified, use STDIN instead. 延迟加载机制 ------------ jieba 采用延迟加载，\ ``import jieba`` 和 ``jieba.Tokenizer()`` 不会立即触发词典的加载，一旦有必要才开始加载词典构建前缀字典。如果你想手工初始 jieba，也可以手动初始化。 :: import jieba jieba.initialize() # 手动初始化（可选） 在 0.28 之前的版本是不能指定主词典的路径的，有了延迟加载机制后，你可以改变主词典的路径: :: jieba.set_dictionary('data/dict.txt.big') 例子： https://github.com/fxsjy/jieba/blob/master/test/test_change_dictpath.py 其他词典 -------- 1. 占用内存较小的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small 2. 支持繁体分词更好的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big 下载你所需要的词典，然后覆盖 jieba/dict.txt 即可；或者用 ``jieba.set_dictionary('data/dict.txt.big')`` 其他语言实现 ------------ 结巴分词 Java 版本 ~~~~~~~~~~~~~~~~~~ 作者：piaolingxue 地址：https://github.com/huaban/jieba-analysis 结巴分词 C++ 版本 ~~~~~~~~~~~~~~~~~ 作者：yanyiwu 地址：https://github.com/yanyiwu/cppjieba 结巴分词 Node.js 版本 ~~~~~~~~~~~~~~~~~~~~~ 作者：yanyiwu 地址：https://github.com/yanyiwu/nodejieba 结巴分词 Erlang 版本 ~~~~~~~~~~~~~~~~~~~~ 作者：falood 地址：https://github.com/falood/exjieba 结巴分词 R 版本 ~~~~~~~~~~~~~~~ 作者：qinwf 地址：https://github.com/qinwf/jiebaR 结巴分词 iOS 版本 ~~~~~~~~~~~~~~~~~ 作者：yanyiwu 地址：https://github.com/yanyiwu/iosjieba 结巴分词 PHP 版本 ~~~~~~~~~~~~~~~~~ 作者：fukuball 地址：https://github.com/fukuball/jieba-php 结巴分词 .NET(C#) 版本 ~~~~~~~~~~~~~~~~~~~~~~ 作者：anderscui 地址：https://github.com/anderscui/jieba.NET/ 结巴分词 Go 版本 ~~~~~~~~~~~~~~~~ - 作者: wangbin 地址: https://github.com/wangbin/jiebago - 作者: yanyiwu 地址: https://github.com/yanyiwu/gojieba 结巴分词 Android 版本 ~~~~~~~~~~~~~~~~~~~~~ - 作者 Dongliang.W 地址：https://github.com/452896915/jieba-android 系统集成 -------- 1. Solr: https://github.com/sing1ee/jieba-solr 分词速度 -------- - 1.5 MB / Second in Full Mode - 400 KB / Second in Default Mode - 测试环境: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《围城》.txt 常见问题 -------- 1. 模型的数据是如何生成的？ ~~~~~~~~~~~~~~~~~~~~~~~~~~~ 详见： https://github.com/fxsjy/jieba/issues/7 2. “台中”总是被切成“台 中”？（以及类似情况） ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ P(台中) ＜ P(台)×P(中)，“台中”词频不够导致其成词概率较低 解决方法：强制调高词频 ``jieba.add_word('台中')`` 或者 ``jieba.suggest_freq('台中', True)`` 3. “今天天气 不错”应该被切成“今天 天气 不错”？（以及类似情况） ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 解决方法：强制调低词频 ``jieba.suggest_freq(('今天', '天气'), True)`` 或者直接删除该词 ``jieba.del_word('今天天气')`` 4. 切出了词典中没有的词语，效果不理想？ ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 解决方法：关闭新词发现 ``jieba.cut('丰田太省了', HMM=False)`` ``jieba.cut('我们中出了一个叛徒', HMM=False)`` **更多问题请点击**\ ：https://github.com/fxsjy/jieba/issues?sort=updated&state=closed 修订历史 -------- https://github.com/fxsjy/jieba/blob/master/Changelog