jieba
原文轉載自：https://github.com/fxsjy/jieba
jieba
“結巴”中文分詞：做最好的 Python 中文分詞組件
特點
- 支持四種分詞模式
- 精確模式，試圖將句子最精確的切開，適合文本分析；
- 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；
- 搜索引擎模式，在精確模式的基礎上，對長詞再次切分，提高召回率，適合用于搜索引擎分詞。
- paddle模式，利用PaddlePaddle深度學習框架，訓練序列標注（雙向GRU）網絡模型實現分詞。同時支持詞性標注。paddle模式使用需安裝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，請升級jieba，pip install jieba --upgrade 。PaddlePaddle官網?
- 支持繁體分詞
- 支持自定義詞典
- MIT 授權協議
算法
- 基于前綴詞典實現高效的詞圖掃描，生成句子中漢字所有可能成詞情況所構成的有向無環圖 (DAG)
- 采用了動態規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
主要功能
1、分詞
- jieba.cut 方法接受四個輸入參數: 需要分詞的字符串；cut_all 參數用來控制是否采用全模式；HMM 參數用來控制是否使用 HMM 模型；use_paddle 參數用來控制是否使用paddle模式下的分詞模式，paddle模式采用延遲加載方式，通過enable_paddle接口安裝paddlepaddle-tiny，并且import相關代碼；
- jieba.cut_for_search 方法接受兩個參數：需要分詞的字符串；是否使用 HMM 模型。該方法適合用于搜索引擎構建倒排索引的分詞，粒度比較細
- 待分詞的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建議直接輸入 GBK 字符串，可能無法預料地錯誤解碼成 UTF-8
- jieba.cut 以及 jieba.cut_for_search 返回的結構都是一個可迭代的 generator，可以使用 for 循環來獲得分詞后得到的每一個詞語(unicode)，或者用
- jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
- jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定義分詞器，可用于同時使用不同詞典。jieba.dt 為默認分詞器，所有全局分詞相關函數都是該分詞器的映射。
輸出：
【全模式】: 我/ 來到/ 北京/ 清華/ 清華大學/ 華大/ 大學【精確模式】: 我/ 來到/ 北京/ 清華大學【新詞識別】：他, 來到, 了, 網易, 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, 于, 中國, 科學, 學院, 科學院, 中國科學院, 計算, 計算所, 后, 在, 日本, 京都, 大學, 日本京都大學, 深造2、添加自定義詞典
載入詞典
- 開發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 為文件類對象或自定義詞典的路徑
- 詞典格式和 dict.txt 一樣，一個詞占一行；每一行分三部分：詞語、詞頻（可省略）、詞性（可省略），用空格隔開，順序不可顛倒。file_name 若為路徑或二進制方式打開的文件，則文件必須為 UTF-8 編碼。
- 詞頻省略時使用自動計算的能保證分出該詞的詞頻。
-
更改分詞器（默認為 jieba.dt）的 tmp_dir 和 cache_file 屬性，可分別指定緩存文件所在的文件夾及其文件名，用于受限的文件系統。
范例：
-
自定義詞典：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 / 創新 / 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 / 創新辦 / 主任 / 也 / 是 / 云計算 / 方面 / 的 / 專家 /
-
-
使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中動態修改詞典。
-
使用 suggest_freq(segment, tune=True) 可調節單個詞語的詞頻，使其能（或不能）被分出來。
-
注意：自動計算的詞頻在使用 HMM 新詞發現功能時可能無效。
???
- "通過用戶自定義詞典來增強歧義糾錯能力" --- https://github.com/fxsjy/jieba/issues/14
?
基于 TF-IDF 算法的關鍵詞抽取
import jieba.analyse
- jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
- sentence 為待提取的文本
- topK 為返回幾個 TF/IDF 權重最大的關鍵詞，默認值為 20
- withWeight 為是否一并返回關鍵詞權重值，默認值為 False
- allowPOS 僅包括指定詞性的詞，默認值為空，即不篩選
- jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 實例，idf_path 為 IDF 頻率文件
代碼示例 （關鍵詞提取）
https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py
關鍵詞提取所使用逆向文件頻率（IDF）文本語料庫可以切換成自定義語料庫的路徑
- 用法： jieba.analyse.set_idf_path(file_name) # file_name為自定義語料庫的路徑
- 自定義語料庫示例：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
關鍵詞提取所使用停止詞（Stop Words）文本語料庫可以切換成自定義語料庫的路徑
- 用法： jieba.analyse.set_stop_words(file_name) # file_name為自定義語料庫的路徑
- 自定義語料庫示例：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
關鍵詞一并返回關鍵詞權重值示例
- 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_with_weight.py
?
基于 TextRank 算法的關鍵詞抽取
- jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) 直接使用，接口相同，注意默認過濾詞性。
- jieba.analyse.TextRank() 新建自定義 TextRank 實例
算法論文： TextRank: Bringing Order into Texts
基本思想:
使用示例:
見 test/demo.py
- jieba.posseg.POSTokenizer(tokenizer=None) 新建自定義分詞器，tokenizer 參數可指定內部使用的 jieba.Tokenizer 分詞器。jieba.posseg.dt 為默認詞性標注分詞器。
- 標注句子分詞后每個詞的詞性，采用和 ictclas 兼容的標記法。
- 除了jieba默認分詞模式，提供paddle模式下的詞性標注功能。paddle模式采用延遲加載方式，通過enable_paddle()安裝paddlepaddle-tiny，并且import相關代碼；
- 用法示例
paddle模式詞性標注對應表如下：
paddle模式詞性和專名類別標簽集合如下表，其中詞性標簽 24 個（小寫字母），專名類別標簽 4 個（大寫字母）。
| n | 普通名詞 | f | 方位名詞 | s | 處所名詞 | t | 時間 |
| nr | 人名 | ns | 地名 | nt | 機構名 | nw | 作品名 |
| nz | 其他專名 | v | 普通動詞 | vd | 動副詞 | vn | 名動詞 |
| a | 形容詞 | ad | 副形詞 | an | 名形詞 | d | 副詞 |
| m | 數量詞 | q | 量詞 | r | 代詞 | p | 介詞 |
| c | 連詞 | u | 助詞 | xc | 其他虛詞 | w | 標點符號 |
| PER | 人名 | LOC | 地名 | ORG | 機構名 | TIME | 時間 |
-
原理：將目標文本按行分隔后，把各行文本分配到多個 Python 進程并行分詞，然后歸并結果，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，參數為并行進程數
- jieba.disable_parallel() # 關閉并行分詞模式
-
例子：https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py
-
實驗結果：在 4 核 3.4GHz Linux 機器上，對金庸全集進行精確分詞，獲得了 1MB/s 的速度，是單進程版的 3.3 倍。
-
注意：并行分詞僅支持默認分詞器 jieba.dt 和 jieba.posseg.dt。
- 注意，輸入參數只接受 unicode
- 默認模式
- 搜索模式
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、命令行分詞
使用示例：python -m jieba news.txt > cut_result.txt命令行選項（翻譯）：使用: python -m jieba [options] filename結巴命令行界面。固定參數:filename 輸入文件可選參數:-h, --help 顯示此幫助信息并退出-d [DELIM], --delimiter [DELIM]使用 DELIM 分隔詞語，而不是用默認的' / '。若不指定 DELIM，則使用一個空格分隔。-p [DELIM], --pos [DELIM]啟用詞性標注；如果指定 DELIM，詞語和詞性之間用它分隔，否則用 _ 分隔-D DICT, --dict DICT 使用 DICT 代替默認詞典-u USER_DICT, --user-dict USER_DICT使用 USER_DICT 作為附加詞典，與默認詞典或自定義詞典配合使用-a, --cut-all 全模式分詞（不支持詞性標注）-n, --no-hmm 不使用隱含馬爾可夫模型-q, --quiet 不輸出載入信息到 STDERR-V, --version 顯示版本信息并退出如果沒有指定文件名，則使用標準輸入。--help 選項輸出：$> python -m jieba --help Jieba command line interface.positional arguments:filename input fileoptional arguments:-h, --help show this help message and exit-d [DELIM], --delimiter [DELIM]use DELIM instead of ' / ' for word delimiter; or aspace if it is used without DELIM-p [DELIM], --pos [DELIM]enable POS tagging; if DELIM is specified, use DELIMinstead of '_' for POS delimiter-D DICT, --dict DICT use DICT as dictionary-u USER_DICT, --user-dict USER_DICTuse USER_DICT together with the default dictionary orDICT (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 exitIf no filename specified, use STDIN instead.延遲加載機制jieba 采用延遲加載，import jieba 和 jieba.Tokenizer() 不會立即觸發詞典的加載，一旦有必要才開始加載詞典構建前綴字典。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，有了延遲加載機制后，你可以改變主詞典的路徑:jieba.set_dictionary('data/dict.txt.big')例子： https://github.com/fxsjy/jieba/blob/master/test/test_change_dictpath.py 其他詞典占用內存較小的詞典文件 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')?
總結
- 上一篇： Qt实现窗口跳转（类似于看图软件中下一张
- 下一篇： 利用XML实现通用WEB报表打印 卢彦