來源：http://www.gowhich.com/blog/147?utm_source=tuicool&utm_medium=referral

源碼下載的地址：https://github.com/fxsjy/jieba

演示地址：http://jiebademo.ap01.aws.af.cm/

特點(diǎn)

1，支持三種分詞模式：

??? a,精確模式，試圖將句子最精確地切開，適合文本分析；
??? b,全模式，把句子中所有的可以成詞的詞語都掃描出來, 速度非常快，但是不能解決歧義；
??? c,搜索引擎模式，在精確模式的基礎(chǔ)上，對長詞再次切分，提高召回率，適合用于搜索引擎分詞。

2，支持繁體分詞

3，支持自定義詞典

安裝

1，Python 2.x 下的安裝

全自動安裝 ：easy_install jieba 或者 pip install jieba
半自動安裝 ：先下載http://pypi.python.org/pypi/jieba/ ，解壓后運(yùn)行python setup.py install
手動安裝 ：將jieba目錄放置于當(dāng)前目錄或者site-packages目錄
通過import jieba 來引用

2，Python 3.x 下的安裝

目前master分支是只支持Python2.x 的
Python3.x 版本的分支也已經(jīng)基本可用： https://github.com/fxsjy/jieba/tree/jieba3k

git clone https://github.com/fxsjy/jieba.git git checkout jieba3k python setup.py install

算法實(shí)現(xiàn)：

基于Trie樹結(jié)構(gòu)實(shí)現(xiàn)高效的詞圖掃描，生成句子中漢字所有可能成詞情況所構(gòu)成的有向無環(huán)圖（DAG)
采用了動態(tài)規(guī)劃查找最大概率路徑, 找出基于詞頻的最大切分組合
對于未登錄詞，采用了基于漢字成詞能力的HMM模型，使用了Viterbi算法

功能

功能 1)：分詞

??? jieba.cut方法接受兩個輸入?yún)?shù): 1) 第一個參數(shù)為需要分詞的字符串 2）cut_all參數(shù)用來控制是否采用全模式
??? jieba.cut_for_search方法接受一個參數(shù)：需要分詞的字符串,該方法適合用于搜索引擎構(gòu)建倒排索引的分詞，粒度比較細(xì)
??? 注意：待分詞的字符串可以是gbk字符串、utf-8字符串或者unicode
??? jieba.cut以及jieba.cut_for_search返回的結(jié)構(gòu)都是一個可迭代的generator，可以使用for循環(huán)來獲得分詞后得到的每一個詞語(unicode)，也可以用list(jieba.cut(...))轉(zhuǎn)化為list
代碼示例( 分詞 )

#encoding=utf-8 import jieba seg_list = jieba.cut("我來到北京清華大學(xué)", cut_all=True) print "Full Mode:", "/ ".join(seg_list) # 全模式 seg_list = jieba.cut("我來到北京清華大學(xué)", cut_all=False) print "Default Mode:", "/ ".join(seg_list) # 精確模式 seg_list = jieba.cut("他來到了網(wǎng)易杭研大廈") # 默認(rèn)是精確模式 print ", ".join(seg_list) seg_list = jieba.cut_for_search("小明碩士畢業(yè)于中國科學(xué)院計算所，后在日本京都大學(xué)深造") # 搜索引擎模式 print ", ".join(seg_list) Output:
【全模式】: 我/ 來到/ 北京/ 清華/ 清華大學(xué)/ 華大/ 大學(xué)
【精確模式】: 我/ 來到/ 北京/ 清華大學(xué)
【新詞識別】：他, 來到, 了, 網(wǎng)易, 杭研, 大廈??? (此處，“杭研”并沒有在詞典中，但是也被Viterbi算法識別出來了)
【搜索引擎模式】： 小明, 碩士, 畢業(yè), 于, 中國, 科學(xué), 學(xué)院, 科學(xué)院, 中國科學(xué)院, 計算, 計算所, 后, 在, 日本, 京都, 大學(xué), 日本京都大學(xué), 深造

功能 2) ：添加自定義詞典

開發(fā)者可以指定自己自定義的詞典，以便包含jieba詞庫里沒有的詞。雖然jieba有新詞識別能力，但是自行添加新詞可以保證更高的正確率
用法：

jieba.load_userdict(file_name) # file_name為自定義詞典的路徑 詞典格式和dict.txt一樣，一個詞占一行；每一行分三部分，一部分為詞語，另一部分為詞頻，最后為詞性（可省略），用空格隔開
范例：
自定義詞典： 云計算 5 李小福 2 nr 創(chuàng)新辦 3 i easy_install 3 eng 好用 300 韓玉賞鑒 3 nz 用法示例： #encoding=utf-8 import sys sys.path.append("../") import jieba jieba.load_userdict("userdict.txt") import jieba.posseg as psegtest_sent = "李小福是創(chuàng)新辦主任也是云計算方面的專家;" test_sent += "例如我輸入一個帶“韓玉賞鑒”的標(biāo)題，在自定義詞庫中也增加了此詞為N類型" words = jieba.cut(test_sent) for w in words: print wresult = pseg.cut(test_sent)for w in result: print w.word, "/", w.flag, ", ",print "\n========"terms = jieba.cut('easy_install is great') for t in terms:print t print '-------------------------' terms = jieba.cut('python 的正則表達(dá)式是好用的') for t in terms:print t 之前： 李小福 / 是 / 創(chuàng)新 / 辦 / 主任 / 也 / 是 / 云 / 計算 / 方面 / 的 / 專家 /
加載自定義詞庫后： 李小福 / 是 / 創(chuàng)新辦 / 主任 / 也 / 是 / 云計算 / 方面 / 的 / 專家 /
"通過用戶自定義詞典來增強(qiáng)歧義糾錯能力" --- https://github.com/fxsjy/jieba/issues/14

功能 3) ：關(guān)鍵詞提取

jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse

說明

setence為待提取的文本

topK為返回幾個TF/IDF權(quán)重最大的關(guān)鍵詞，默認(rèn)值為20
代碼示例 （關(guān)鍵詞提取）

import sys sys.path.append('../')import jieba import jieba.analyse from optparse import OptionParserUSAGE = "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 USAGEsys.exit(1)file_name = args[0]if opt.topK is None:topK = 10 else:topK = int(opt.topK)content = open(file_name, 'rb').read()tags = jieba.analyse.extract_tags(content, topK=topK)print ",".join(tags)

功能 4) : 詞性標(biāo)注

標(biāo)注句子分詞后每個詞的詞性，采用和ictclas兼容的標(biāo)記法
用法示例

>>> import jieba.posseg as pseg >>> words = pseg.cut("我愛北京天安門") >>> for w in words: ... print w.word, w.flag ... 我 r 愛 v 北京 ns 天安門 ns

功能 5) : 并行分詞

原理：將目標(biāo)文本按行分隔后，把各行文本分配到多個python進(jìn)程并行分詞，然后歸并結(jié)果，從而獲得分詞速度的可觀提升
基于python自帶的multiprocessing模塊，目前暫不支持windows
用法：

jieba.enable_parallel(4) # 開啟并行分詞模式，參數(shù)為并行進(jìn)程數(shù) jieba.disable_parallel() # 關(guān)閉并行分詞模式 例子： import urllib2 import sys,time import sys sys.path.append("../../") import jieba jieba.enable_parallel(4)url = sys.argv[1] content = open(url,"rb").read() t1 = time.time() words = list(jieba.cut(content))t2 = time.time() tm_cost = t2-t1log_f = open("1.log","wb") for w in words: print >> log_f, w.encode("utf-8"), "/" ,print 'speed' , len(content)/tm_cost, " bytes/second" 實(shí)驗結(jié)果：在4核3.4GHz Linux機(jī)器上，對金庸全集進(jìn)行精確分詞，獲得了1MB/s的速度，是單進(jìn)程版的3.3倍。

其他詞典

占用內(nèi)存較小的詞典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small
支持繁體分詞更好的詞典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big
下載你所需要的詞典，然后覆蓋jieba/dict.txt 即可或者用jieba.set_dictionary('data/dict.txt.big')

模塊初始化機(jī)制的改變:lazy load （從0.28版本開始）

jieba采用延遲加載，"import jieba"不會立即觸發(fā)詞典的加載，一旦有必要才開始加載詞典構(gòu)建trie。如果你想手工初始jieba，也可以手動初始化。

import jieba jieba.initialize() # 手動初始化（可選） 在0.28之前的版本是不能指定主詞典的路徑的，有了延遲加載機(jī)制后，你可以改變主詞典的路徑:
jieba.set_dictionary('data/dict.txt.big') 例子：? #encoding=utf-8 import sys sys.path.append("../") import jiebadef cuttest(test_sent): result = jieba.cut(test_sent) print " ".join(result)def testcase(): cuttest("這是一個伸手不見五指的黑夜。我叫孫悟空，我愛北京，我愛Python和C++。") cuttest("我不喜歡日本和服。") cuttest("雷猴回歸人間。") cuttest("工信處女干事每月經(jīng)過下屬科室都要親口交代24口交換機(jī)等技術(shù)性器件的安裝工作") cuttest("我需要廉租房") cuttest("永和服裝飾品有限公司") cuttest("我愛北京天安門") cuttest("abc") cuttest("隱馬爾可夫") cuttest("雷猴是個好網(wǎng)站")if __name__ == "__main__": testcase() jieba.set_dictionary("foobar.txt") print "================================" testcase()

總結(jié)

以上是生活随笔為你收集整理的python 结巴分词(jieba)学习的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。