jieba中文分词组件

妖狐艹你老母 2022-01-29 10:15 294阅读 0赞

**目录**

jieba简介

组件特点

安装方法

算法

使用jieba

分词

添加自定义词典

载入词典

调整词典

关键词提取

基于 TF-IDF 算法的关键词抽取

基于 TextRank 算法的关键词抽取

词性标注

并行分词

Tokenize：返回词语在原文的起止位置

默认模式

搜索模式

ChineseAnalyzer for Whoosh 搜索引擎

命令行分词

延迟加载机制

其他词典

--------------------

原文地址：[https://github.com/fxsjy/jieba][https_github.com_fxsjy_jieba]

# jieba简介 #

"Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module.

翻译成中文：

“结巴”中文分词：做最好的 Python 中文分词组件

## 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**

## 安装方法 ##

*  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/ ][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

jieba语法对 Python 2和Python 3 均兼容，通过 import jieba 来引入。

## 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；

# 使用jieba #

## 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：

# encoding=utf-8
    import jieba
    
    seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
    print("全模式: " + "/ ".join(seg_list))  # 全模式
    
    seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
    print("精确模式: " + "/ ".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("默认精确模式: " + ", ".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("搜索引擎模式: " + ", ".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
    默认精确模式: 他, 来到, 了, 网易, 杭研, 大厦
    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

## 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，自定义的 userdict.txt 词典内容如下：

云计算 5
    李小福 2 nr
    创新办 3 i
    easy_install 3 eng
    好用 300
    韩玉赏鉴 3 nz
    八一双鹿 3 nz
    台中
    凱特琳 nz
    Edu Trust认证 2000

Python 代码如下：

# encoding=utf-8
    import jieba
    import jieba.posseg as pseg
    
    jieba.load_userdict("userdict.txt")
    
    jieba.add_word('石墨烯')
    jieba.add_word('凱特琳')
    jieba.del_word('自定义词')
    
    test_sent = (
        "李小福是创新办主任也是云计算方面的专家; 什么是八一双鹿\n"
        "例如我输入一个带“韩玉赏鉴”的标题，在自定义词库中也增加了此词为N类\n"
        "「台中」正確應該不會被切開。mac上可分出「石墨烯」；此時又可以分出來凱特琳了。"
    )
    
    words = jieba.cut(test_sent)
    print('/'.join(words))
    
    print("=" * 40)
    
    result = pseg.cut(test_sent)
    
    for w in result:
        print(w.word, "/", w.flag, ", ", end=' ')
    
    print("\n" + "=" * 40)
    
    terms = jieba.cut('easy_install is great')
    print('/'.join(terms))
    terms = jieba.cut('python 的正则表达式是好用的')
    print('/'.join(terms))
    
    print("=" * 40)
    # test frequency tune
    testlist = [
        ('今天天气不错', ('今天', '天气')),
        ('如果放到post中将出错。', ('中', '将')),
        ('我们中出了一个叛徒', ('中', '出')),
    ]
    
    for sent, seg in testlist:
        print('/'.join(jieba.cut(sent, HMM=False)))
        word = ''.join(seg)
        print('%s Before: %s, After: %s' % (word, jieba.get_FREQ(word), jieba.suggest_freq(seg, True)))
        print('/'.join(jieba.cut(sent, HMM=False)))
        print("-" * 40)

输出：

李小福/是/创新办/主任/也/是/云计算/方面/的/专家/;/ /什么/是/八一双鹿/
    /例如/我/输入/一个/带/“/韩玉赏鉴/”/的/标题/，/在/自定义/词库/中/也/增加/了/此/词为/N/类/
    /「/台中/」/正確/應該/不會/被/切開/。/mac/上/可/分出/「/石墨烯/」/；/此時/又/可以/分出/來/凱特琳/了/。
    ========================================
    李小福 / nr ,  是 / v ,  创新办 / i ,  主任 / b ,  也 / d ,  是 / v ,  云计算 / x ,  方面 / n ,  的 / uj ,  专家 / n ,  ; / x ,    / x ,  什么 / r ,  是 / v ,  八一双鹿 / nz ,  
     / x ,  例如 / v ,  我 / r ,  输入 / v ,  一个 / m ,  带 / v ,  “ / x ,  韩玉赏鉴 / nz ,  ” / x ,  的 / uj ,  标题 / n ,  ， / x ,  在 / p ,  自定义 / l ,  词库 / n ,  中 / f ,  也 / d ,  增加 / v ,  了 / ul ,  此 / r ,  词 / n ,  为 / p ,  N / eng ,  类 / q ,  
     / x ,  「 / x ,  台中 / s ,  」 / x ,  正確 / ad ,  應該 / v ,  不 / d ,  會 / v ,  被 / p ,  切開 / ad ,  。 / x ,  mac / eng ,  上 / f ,  可 / v ,  分出 / v ,  「 / x ,  石墨烯 / x ,  」 / x ,  ； / x ,  此時 / c ,  又 / d ,  可以 / c ,  分出 / v ,  來 / zg ,  凱特琳 / nz ,  了 / ul ,  。 / x ,  
    ========================================
    easy_install/ /is/ /great
    python/ /的/正则表达式/是/好用/的
    ========================================
    今天天气/不错
    今天天气 Before: 3, After: 0
    今天/天气/不错
    ----------------------------------------
    如果/放到/post/中将/出错/。
    中将 Before: 763, After: 494
    如果/放到/post/中/将/出错/。
    ----------------------------------------
    我们/中/出/了/一个/叛徒
    中出 Before: 3, After: 3
    我们/中/出/了/一个/叛徒
    ----------------------------------------

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。

### 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：

# encoding=utf-8
    import jieba
    
    print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
    jieba.suggest_freq(('中', '将'), True)
    print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
    
    print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
    jieba.suggest_freq('台中', True)
    print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))

输出：

如果/放到/post/中将/出错/。
    如果/放到/post/中/将/出错/。
    「/台/中/」/正确/应该/不会/被/切开
    「/台中/」/正确/应该/不会/被/切开

## 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 ，extract\_tags.py：

# encoding=utf-8
 
 import sys
 
 sys.path.append('../')
 
 import jieba
 import jieba.analyse
 from optparse import OptionParser
 
 USAGE = "usage: python extract_tags.py [file name] -k [top k]"
 
 parser = OptionParser(USAGE)
 parser.add_option("-k", dest="topK")
 opt, args = parser.parse_args()
 
 if len(args) < 1:
 print(USAGE)
 sys.exit(1)
 
 file_name = args[0]
 
 if opt.topK is None:
 topK = 10
 else:
 topK = int(opt.topK)
 
 # 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
 # jieba.analyse.set_idf_path("../extra_dict/idf.txt.big")
 
 # 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
 # jieba.analyse.set_stop_words("../extra_dict/stop_words.txt")
 
 content = open(file_name, 'rb').read()
 tags = jieba.analyse.extract_tags(content, topK=topK)
 print(",".join(tags))

### 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

基本思想:

*  将待抽取关键词的文本进行分词
 *  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
 *  计算图中节点的PageRank，注意是无向带权图

# encoding=utf-8
    import jieba.analyse
    
    s = "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚置业注册资本由7000万元增加到5亿元。吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年，实现营业收入0万元，实现净利润-139.13万元。"
    
    for x, w in jieba.analyse.textrank(s, withWeight=True):
        print('%s %s' % (x, w))

## 词性标注 ##

# 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。
    jieba.posseg.POSTokenizer(tokenizer=None)

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：

# encoding=utf-8
    import jieba.posseg
    
    words = jieba.posseg.cut("我爱北京天安门")
    for word, flag in words:
        print('%s %s' % (word, flag))

输出：

我 r
    爱 v
    北京 ns
    天安门 ns

## 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

示例：

# encoding=utf-8
    import sys
    import time
    sys.path.append("../../")
    import jieba
    
    jieba.enable_parallel()
    
    url = sys.argv[1]
    content = open(url,"rb").read()
    t1 = time.time()
    words = "/ ".join(jieba.cut(content))
    
    t2 = time.time()
    tm_cost = t2-t1
    
    log_f = open("1.log","wb")
    log_f.write(words.encode('utf-8'))
    
    print('speed %s bytes/second' % (len(content)/tm_cost))

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。

## 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 ###

# encoding=utf-8
    import jieba
    
    result1 = jieba.tokenize(u'永和服装饰品有限公司')
    for tk in result1:
        print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

结果：

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 ###

# encoding=utf-8
    import jieba
    
    result2 = jieba.tokenize(u'永和服装饰品有限公司', mode='search')
    for tk in result2:
        print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

结果：

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

## ChineseAnalyzer for Whoosh 搜索引擎 ##

# -*- coding: UTF-8 -*-
    from __future__ import unicode_literals
    import sys,os
    sys.path.append("../")
    from whoosh.index import create_in,open_dir
    from whoosh.fields import *
    from whoosh.qparser import QueryParser
    
    from jieba.analyse.analyzer import ChineseAnalyzer
    
    analyzer = ChineseAnalyzer()
    
    schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT(stored=True, analyzer=analyzer))
    if not os.path.exists("tmp"):
        os.mkdir("tmp")
    
    ix = create_in("tmp", schema) # for create new index
    #ix = open_dir("tmp") # for read only
    writer = ix.writer()
    
    writer.add_document(
        title="document1",
        path="/a",
        content="This is the first document we’ve added!"
    )
    
    writer.add_document(
        title="document2",
        path="/b",
        content="The second one 你 中文测试中文 is even more interesting! 吃水果"
    )
    
    writer.add_document(
        title="document3",
        path="/c",
        content="买水果然后来世博园。"
    )
    
    writer.add_document(
        title="document4",
        path="/c",
        content="工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作"
    )
    
    writer.add_document(
        title="document4",
        path="/c",
        content="咱俩交换一下吧。"
    )
    
    writer.commit()
    searcher = ix.searcher()
    parser = QueryParser("content", schema=ix.schema)
    
    for keyword in ("水果世博园","你","first","中文","交换机","交换"):
        print("result of ",keyword)
        q = parser.parse(keyword)
        results = searcher.search(q)
        for hit in results:
            print(hit.highlights("content"))
        print("="*10)
    
    for t in analyzer("我的好朋友是李明;我爱北京天安门;IBM和Microsoft; I have a dream. this is intetesting and interested me a lot"):
        print(t.text)

结果：

result of 水果世博园
 买水果然后来世博园
 ==========
 result of 你
 second one 你 中文测试中文 is even more interesting
 ==========
 result of first
 first document we’ve added
 ==========
 result of 中文
 second one 你 中文测试中文 is even more interesting
 ==========
 result of 交换机
 干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作
 ==========
 result of 交换
 咱俩交换一下吧
 干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作
 ==========
 我
 好
 朋友
 是
 李明
 我
 爱
 北京
 天安
 天安门
 ibm
 microsoft
 dream
 intetest
 interest
 me
 lot

## 命令行分词 ##

使用示例：python -m jieba news.txt > cut\_result.txt

命令行选项（翻译）：python -m jieba \[options\] filename

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。

## 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：

# encoding=utf-8
    from __future__ import print_function
    import sys
    
    sys.path.append("../")
    import jieba
    
    
    def cuttest(test_sent):
        result = jieba.cut(test_sent)
        print("  ".join(result))
    
    
    def testcase():
        cuttest("这是一个伸手不见五指的黑夜。我叫孙悟空，我爱北京，我爱Python和C++。")
        cuttest("我不喜欢日本和服。")
        cuttest("雷猴回归人间。")
        cuttest("工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作")
        cuttest("我需要廉租房")
        cuttest("永和服装饰品有限公司")
        cuttest("我爱北京天安门")
        cuttest("abc")
        cuttest("隐马尔可夫")
        cuttest("雷猴是个好网站")
    
    
    if __name__ == "__main__":
        testcase()
        jieba.set_dictionary("foobar.txt")
        print("================================")
        testcase()

结果：

这是  一个  伸手不见五指  的  黑夜  。  我  叫  孙悟空  ，  我  爱  北京  ，  我  爱  Python  和  C++  。
    我  不  喜欢  日本  和服  。
    雷猴  回归  人间  。
    工信处  女干事  每月  经过  下属  科室  都  要  亲口  交代  24  口  交换机  等  技术性  器件  的  安装  工作
    我  需要  廉租房
    永和  服装  饰品  有限公司
    我  爱  北京  天安门
    abc
    隐  马尔可夫
    雷猴  是  个  好  网站

## 其他词典 ##

占用内存较小的词典文件 [https://github.com/fxsjy/jieba/raw/master/extra\_dict/dict.txt.small][https_github.com_fxsjy_jieba_raw_master_extra_dict_dict.txt.small]

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][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')

[https_github.com_fxsjy_jieba]: https://github.com/fxsjy/jieba
[http_pypi.python.org_pypi_jieba_]: http://pypi.python.org/pypi/jieba/
[https_github.com_fxsjy_jieba_raw_master_extra_dict_dict.txt.small]: https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small
[https_github.com_fxsjy_jieba_raw_master_extra_dict_dict.txt.big]: https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big