精华内容
下载资源
问答
  • Python Jieba中文分词工具实现分词功能,Python Jieba中文分词工具实现分词功能
  • 中文分词jieba

    2017-11-21 21:54:48
    # ###jieba特性介绍 # 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...
     coding: utf-8
    
    # ###jieba特性介绍
    # 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。
    
    # ###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
    
    # #一、 第一部分
    
    # ##Part 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。
    
    # In[1]:
    
    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
    
    
    # In[15]:
    
    seg_list = jieba.cut("我来到北京清华大学", cut_all = False)
    print("Precise Mode: " + "/".join(seg_list))  #精确模式,默认状态下也是精确模式
    
    
    # In[16]:
    
    seg_list = jieba.cut("他来到网易杭研大厦。")
    print("Default Mode: " + "/".join(seg_list))
    
    
    # In[14]:
    
    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("Search Mode: " + "/".join(seg_list))
    
    
    # ##Part 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,一部分为词语,另一部分为词频(可省略),最后为词性(可省略),用空格隔开。
    # 词频可省略,使用计算出的能保证分出该词的词频。
    # 更改分词器的 tmp_dir 和 cache_file 属性,可指定缓存文件位置,用于受限的文件系统。
    
    # In[5]:
    
    seg_list = jieba.cut("李小福是创新办主任也是云计算方面的专家。")
    print("Origin: " + "/".join(seg_list))
    
    
    # In[6]:
    
    jieba.load_userdict("C:\\Users\\Luo Chen\\Desktop\\lixiaofu.txt")
    seg_list = jieba.cut("李小福是创新办主任也是云计算方面的专家。")
    print("Revise: " + "/".join(seg_list))
    
    
    # ###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。
    
    # In[7]:
    
    print("/".join(jieba.cut("如果放到post中将出错。", HMM = False)))
    
    
    # In[8]:
    
    #利用调节词频使“中”,“将”都能被分出来
    jieba.suggest_freq(("", ""), tune = True)
    
    
    # In[9]:
    
    print("/".join(jieba.cut("如果放到post中将出错。", HMM = False)))
    
    
    # In[16]:
    
    Original = "/".join(jieba.cut("江州市长江大桥参加了长江大桥的通车仪式。", HMM = False))
    print "Original: " + Original
    
    
    # In[21]:
    
    jieba.add_word("江大桥", freq = 20000, tag = None)
    print "/".join(jieba.cut("江州市长江大桥参加了长江大桥的通车仪式。"))
    
    
    # In[20]:
    
    jieba.load_userdict("C:\\Users\\Luo Chen\\Desktop\\shizhang.txt")
    print "Revise: " + "/".join(jieba.cut("江州市长江大桥参加了长江大桥的通车仪式。", HMM = False))
    
    
    # ##Part 3. 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。
    
    # In[22]:
    
    import jieba.posseg as pseg
    words = pseg.cut("我爱北京天安门。")
    for w in words:
        print("%s %s" %(w.word, w.flag))
    
    
    # ##Part 4. 关键词提取
    
    # ###基于 TF-IDF 算法的关键词提取
    
    # import jieba.analyse
    # jieba.analyse.extract_tags(sentence, topK = 20, withWeight = False, allowPOS = ())
    # sentence:待提取的文本。
    # topK:返回几个 TF/IDF 权重最大的关键词,默认值为20。
    # withWeight: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,即不进行筛选。
    # jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例,idf_path 为 IDF 频率文件。
    
    # optparse模块OptionParser学习
    # optparse是专门在命令行添加选项的一个模块。
    
    # In[2]:
    
    from optparse import OptionParser
    MSG_USAGE = "myprog[ -f ][-s ] arg1[,arg2..]"
    optParser = OptionParser(MSG_USAGE)
    #以上,产生一个OptionParser的物件optParser。传入的值MSG_USAGE可被调用打印命令时显示出来。
    
    optParser.add_option("-f","--file",action = "store",type="string",dest = "fileName")
    optParser.add_option("-v","--vison", action="store_false", dest="verbose",default='gggggg',
                         help="make lots of noise [default]")
    #调用OptionParser.add_option()添加选项,add_option()参数说明:
    #action:存储方式,分为三种store, store_false, store_true
    #type:类型
    #dest:存储的变量
    #default:默认值
    #help:帮助信息
    
    fakeArgs = ['-f','file.txt','-v','good luck to you', 'arg2', 'arge']
    options, args = optParser.parse_args(fakeArgs)
    print options.fileName
    print options.verbose
    print options
    print args
    #调用OptionParser.parse_args()剖析并返回一个directory和一个list
    #parse_args()说明:
    #如果没有传入参数,parse_args会默认将sys.argv[1:]的值作为默认参数。这里我们将fakeArgs模拟输入的值。
    #从返回结果中可以看到,
    #options为是一个directory,它的内容fakeArgs为“参数/值 ”的键值对。
    #args 是一个list,它的内容是fakeargs除去options后,剩余的输入内容。
    #options.version和options.fileName都取到与options中的directory的值。
    
    print optParser.print_help()
    #输出帮助信息
    #optParser.print_help()说明:
    #1、最开始的的MSG_USAGE的值:在这个地方显示出来了。
    #2、自动添加了-h这个参数。
    
    
    # In[14]:
    
    import jieba.analyse as anl
    f = open("C:\\Users\\Luo Chen\\Desktop\\demo.txt", "r").read()
    seg = anl.extract_tags(f, topK = 20, withWeight = True)
    for tag, weight in seg:
        print "%s %s" %(tag, weight)
    
    
    # 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(file_name) #file_name为自定义语料库的路径
    # 如:jieba.analyse.set_idf_path("../extra_dict/idf.txt.big")
    # .big文件一般是游戏中的文件,比较常见的用途是装载游戏的音乐、声音等文件。
    #
    # 关键词提取所使用停用词(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(file_name) #file_name为自定义语料库的路径。
    # 如:jieba.analyse.set_stop_words("../extra_dict/stop_words.txt")
    
    # ###基于 TextRank 算法的关键词提取
    
    # 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。
    # jieba.analyse.textrank(sentence, topK = 20, withWeight = False, allowPOS = ('ns', 'n', 'v', 'nv')) 注意默认过滤词性。
    # jieba.analyse.TextRank() 新建自定义TextRank实例。
    
    # In[16]:
    
    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, topK = 5, withWeight = True):
        print("%s %s" % (x, w))
    
    
    # ##Part 5. 并行分词(多进程分词)
    
    # 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
    # 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。
    
    # ##Part 6. Tokenize: 返回词语在原文的起止位置
    
    # 注意:输入参数只接受 unicode
    # 两种模式:默认模式、搜索模式。
    
    # ###默认模式
    
    # In[19]:
    
    result = jieba.tokenize(u"永和服装饰品有限公司")
    for tk in result:
        print("%s \t start at: %d \t end at: %d" %(tk[0], tk[1], tk[2]))
    
    
    # ###搜索模式
    # 把句子中所有的可以成词的词语都扫描出来并确定位置。
    
    # In[20]:
    
    result = jieba.tokenize(u"永和服装饰品有限公司", mode = "search")
    for tk in result:
        print("%s \t start at: %d \t end at: %d" % (tk[0], tk[1], tk[2]))
    
    
    # ##Part 7. 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")
    # 也可以下载你所需要的词典,然后覆盖jieba/dict.txt即可。
    
    # #二、 第二部分
    
    # ##Part 1. 词频统计、降序排序
    
    # In[21]:
    
    article = open("C:\\Users\\Luo Chen\\Desktop\\demo_long.txt", "r").read()
    words = jieba.cut(article, cut_all = False)
    word_freq = {}
    for word in words:
        if word in word_freq:
            word_freq[word] += 1
        else:
            word_freq[word] = 1
    
    freq_word = []
    for word, freq in word_freq.items():
        freq_word.append((word, freq))
    freq_word.sort(key = lambda x: x[1], reverse = True)
    
    max_number = int(raw_input(u"需要前多少位高频词? "))
    
    for word, freq in freq_word[: max_number]:
        print word, freq
    
    
    # ##Part 2. 人工去停用词
    
    # 标点符号、虚词、连词不在统计范围内。
    
    # In[22]:
    
    stopwords = []
    for word in open("C:\\Users\\Luo Chen\\Desktop\\stop_words.txt", "r"):
        stopwords.append(word.strip())
    article = open("C:\\Users\\Luo Chen\\Desktop\\demo_long.txt", "r").read()
    words = jieba.cut(article, cut_all = False)
    stayed_line = ""
    for word in words:
        if word.encode("utf-8") not in stopwords:
            stayed_line += word + " "
    print stayed_line
    
    
    # ##Part 3. 合并同义词
    
    # 将同义词列举出来,按下Tab键分隔,把第一个词作为需要显示的词语,后面的词语作为要替代的同义词,一系列同义词放在一行。
    # 这里,“北京”、“首都”、“京城”、“北平城”、“故都”为同义词。
    
    # In[24]:
    
    combine_dict = {}
    
    for line in open("C:\\Users\\Luo Chen\\Desktop\\tongyici.txt", "r"):
        seperate_word = line.strip().split("\t")
        num = len(seperate_word)
        for i in range(1, num):
            combine_dict[seperate_word[i]] = seperate_word[0]
    
    jieba.suggest_freq("北平城", tune = True)
    seg_list = jieba.cut("北京是中国的首都,京城的景色非常优美,就像当年的北平城,我爱这故都的一草一木。", cut_all = False)
    f = ",".join(seg_list)
    result = open("C:\\Users\\Luo Chen\\Desktop\\output.txt", "w")
    result.write(f.encode("utf-8"))
    result.close()
    
    for line in open("C:\\Users\\Luo Chen\\Desktop\\output.txt", "r"):
        line_1 = line.split(",")
    
    final_sentence = ""
    for word in line_1:
        if word in combine_dict:
            word = combine_dict[word]
            final_sentence += word
        else:
            final_sentence += word
    print final_sentence
    
    
    # ##Part 4. 词语提及率
    
    # 主要步骤:分词——过滤停用词(略)——替代同义词——计算词语在文本中出现的概率。
    
    # In[31]:
    
    origin = open("C:\\Users\\Luo Chen\\Desktop\\tijilv.txt", "r").read()
    jieba.suggest_freq("晨妈妈", tune = True)
    jieba.suggest_freq("大黑牛", tune = True)
    jieba.suggest_freq("能力者", tune = True)
    seg_list = jieba.cut(origin, cut_all = False)
    f = ",".join(seg_list)
    
    output_1 = open("C:\\Users\\Luo Chen\\Desktop\\output_1.txt", "w")
    output_1.write(f.encode("utf-8"))
    output_1.close()
    
    combine_dict = {}
    for w in open("C:\\Users\\Luo Chen\\Desktop\\tongyici.txt", "r"):
        w_1 = w.strip().split("\t")
        num = len(w_1)
        for i in range(0, num):
            combine_dict[w_1[i]] = w_1[0]
    
    seg_list_2 = ""
    for i in open("C:\\Users\\Luo Chen\\Desktop\\output_1.txt", "r"):
        i_1 = i.split(",")
        for word in i_1:
            if word in combine_dict:
                word = combine_dict[word]
                seg_list_2 += word
            else:
                seg_list_2 += word
    print seg_list_2
    
    
    # In[35]:
    
    freq_word = {}
    seg_list_3 = jieba.cut(seg_list_2, cut_all = False)
    for word in seg_list_3:
        if word in freq_word:
            freq_word[word] += 1
        else:
            freq_word[word] = 1
    
    freq_word_1 = []
    for word, freq in freq_word.items():
        freq_word_1.append((word, freq))
    freq_word_1.sort(key = lambda x: x[1], reverse = True)
    for word, freq in freq_word_1:
        print word, freq
    
    total_freq = 0
    for i in freq_word_1:
        total_freq += i[1]
    
    for word, freq in freq_word.items():
        freq = float(freq) / float(total_freq)
        print word, freq
    
    
    # ##Part 5. 按词性提取
    
    # In[36]:
    
    import jieba.posseg as pseg
    word = pseg.cut("李晨好帅,又能力超强,是“大黑牛”,也是一个能力者,还是队里贴心的晨妈妈。")
    for w in word:
        if w.flag in ["n", "v", "x"]:
            print w.word, w.flag
     
    
    推荐一个GitHub https://github.com/fxsjy/jieba
    复制代码
    展开全文
  • python中文分词jieba总结

    千次阅读 2017-12-05 16:05:58
    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...

    1. GitHub:https://github.com/fxsjy/jieba

    2.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("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

    3. 添加自定义词典

    • 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
    

    调整词典

    • 使用 add_word(word, freq=None, tag=None)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:

    >>> 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(('', ''), 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
    3.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

    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

    关键词一并返回关键词权重值示例

    4.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:

    test/demo.py

    1. 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
    >>> 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
    1. 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.dtjieba.posseg.dt

    1. 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
    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
    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
    
    1. ChineseAnalyzer for Whoosh 搜索引擎

    1. 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.
    
    5.延迟加载机制

    jieba 采用延迟加载,import jiebajieba.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






    展开全文
  • 中文分词jieba (python版)的注解 本项目是注释版的 jieba 0.37 源码, 原始代码来自: 。 (代码正在阅读中,后续对加上相应的注释, ) Have fun! Daniel Wang 2015年 8 月 23 日
  • 选择题 以下代码的输出结果是? import jieba str="中国是一个伟大的国家" jieba.lcut(str) ...1.jieba是python中的中文分词第三方库,可以将中文的文本通过分词获得单个词语,返回类型为列表类型。 2.jieba

    选择题

    以下代码的输出结果是?

    import jieba

    str="中国是一个伟大的国家"

    jieba.lcut(str)

    选项:

    A. ['中国是一个伟大的国家']

    B. ['中国', '是', '一个', '伟大', '的', '国家']

    C. ['中国', '国是', '一个', '伟大', '的', '国家']

    D. '中国是一个伟大的国家'

    问题解析

    1.jieba是python中的中文分词第三方库,可以将中文的文本通过分词获得单个词语,返回类型为列表类型。

    2.jieba分词共有三种模式:精确模式、全模式、搜索引擎模式。

    (1)精确模式语法:jieba.lcut(字符串,cut_all=False),默认时为cut_all=False,表示为精确模型。精确模式是把文章词语精确的分开,并且不存在冗余词语,切分后词语总词数与文章总词数相同。

    (2)全模式语法:ieba.lcut(字符串,cut_all=True),其中cut_all=True表示采用全模型进行分词。全模式会把文章中有可能的词语都扫描出来,有冗余,即在文本中从不同的角度分词,变成不同的词语。

    (3)搜索引擎模式:在精确模式的基础上,对长词语再次切分。

    3.在此题中,字符串为"中国是一个伟大的国家",jieba.lcut(str)表示以精确模式切分词语,不存在冗余词语且切分后词语总词数与"中国是一个伟大的国家"词数相同,所以答案为['中国', '是', '一个', '伟大', '的', '国家']。

    答案

    正确答案是:B

    温馨期待

    期待大家提出宝贵建议,互相交流,收获更大。

    欢迎大家转发,一起传播知识和正能量,帮助到更多人。期待大家提出宝贵改进建议,互相交流,收获更大。辛苦大家转发时注明出处(也是咱们公益编程交流群的入口网址),刘经纬老师共享知识相关文件下载地址为:http://liujingwei.cn

     

    展开全文
  • 中文中,一个个汉字有其自身的含义,但是组成词语时,其含义可能会发生很大的变化,使得之后进行文本处理任务时不能很好的理解句子的含义。(比如“和”,“平”,“和平”,三者的含义有很大的不同。)另外,从字...
  • 中文分词工具—Jieba

    千次阅读 2018-07-18 23:18:05
    中文分词Jieba 是一款Python 中文分词组件 “Jieba” (Chinese for “to stutter”) Chinese text segmentation: built to be the best Python Chinese word segmentation module. 特点 支持三种分词模式: ...

    中文分词—Jieba 是一款Python 中文分词组件

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

    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

    安装方法

    代码对 Python 2/3 均兼容

    全自动安装: easy_install jieba / pip install jieba / pip3 install jieba 均可
    半自动安装:先下载 https://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

    原理介绍

    • 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

    在介绍Jieba分词原理之前,我们人类最直接的思维角度如何去分词?

    举个简单的例子,我们有一句话是“我现在去公司开会“,人类最直观的想法就是从左向右扫描此句,然后分词成“我/现在/去/公司/开会”。但作为计算机机器,我们能做的、可能就是给计算机一本词典,让它根据词典中已经标定的字或词来分词。这样的方法可以应用于大部分句子,但当遇到一词多义、或者有双重理解词语组合的情况时,分析就变得不那么容易了。

    例如‘今天去长安大学城花店‘,正确的分词方法应该是’今天/去/长安/大学城/花店‘,但由于词典里有大学这个词但却没有大学城这个词语的缘故,计算机会把词分成’今天/去/长安/大学/城/花店’,这样的分词就是错误的,对于语义的理解就不是很准确。Jieba分词包针对这一类的问题,运用有效的统计模型与中文语言的特性相结合,将分词的效果提升了很多档次。

    Jieba分词包的高效首先离不开对语料库的精心选择。在作者SunJunyi通过大量的训练之后,在名为dict.txt的文件里录入了两万多条词作为参考,进行最基本的布局但是大家可以设想,假设我们是什么都不知道、只能通过查找这个字典来进行词语归类的机器人,我们每一次分句都要基本上阅读上万条词语 ,我们的眼睛和大脑都会受不了。虽然计算机比人的效率高了数个数量级,但每一次进行如此大规模的查找也会非常的耗时

    Jieba分词包在这里运用到了数据结构里的trie(前缀树或字典树)对词语进行高效的分类,便于查找。

    如上图所示,这就是最简单的trie的原理在分词上的运用:我们有Johnny、Joe、Jane和Jack四个名字,假设我们要让计算机查找名字Jack是否存在,普通的方法来说,计算机可能会扫描所有的字符串,非常耗时低效,但trie的从上至下搜索、每一次只判定一个字母、如果某个特定的节点(node)的下一个节点(child node)不再符合搜索要求,那么搜索就会停止,这样效率就会大大的提高。

    此外,trie也结合了计算机领域另一个知识,名为有向无环图(DAG)trie与有向无环图的结合很高效的解决了第一段所提到的双重理解词语组合的问题。举个例子:

    通过设定,计算机自动识别出了两种分词方法,分别为’有/意见/分歧/’ 和 ‘有意/见/分歧’,这就是trie和DAG的最基本应用。

    那么如何从这两个切分组合中筛选出一个更优的呢?这里就要用到一点点统计学的知识,既然一个句子有多个分词方式,那么我们就应该选择使得这个句子出现概率最大的切分组合。学过概率论与数理统计的同学可以很容易得把这个思想同极大似然估计(Maximum Likelihood Estimation)联系起来。

    在制定了切分方案的评价准则后, jieba分词包运用了动态规划来找出词频最大切分组合。动态规划涉及到很多内容,我们就不做详细的介绍,但它在这里起到的效果很通俗易懂。举个例子:假设一个句子K,它可以被计算机随机分为a,b,c三种分词形式,那么计算机就通过大量的运算,在标准正确的情况下取概率最大的一种分词形式。在这里,动态规划法对分词分好之后每个词语出现的频率进行了统计(频率=次数/总数),得到最大的概率切分组合从而完成分词。

    可能还有的疑问,那么如果有没有录入字典的词该怎么办呢?这里Jieba分词包用到了HMM模型和经典的维特比(Viterbi)算法,将未登录词  (词典中未收录/训练词典之外的词)  分为开始、中间、结束和单独成词四种分类来自动分词。总的来说,Jieba分词包在拥有HMM模型和维特比算法以后,即使词典一个词都没有也能够进行大致的分词,只是准确率会有所降低。

    代码实例

     

    其中word1为全模式,word2为精确模式,word3为搜索引擎模式,在这个例子里面,全模式和搜索引擎模式是差不多的,都将所有的词组展示了出来,但顺序有所不同,精确模式只输出了句子分词最大可能性的一组。

    这里需要注意的一点:所有的word1,word2,word3并不是一个字符串,而是一个迭代器(iterator),要通过print(‘ ‘.join(word1))的方式正常输出中文字符,否则直接print只会出现对象的地址。如果嫌这个很麻烦,也可以直接使用lcut()或lcut_for_search()直接将分词放进一个list,直接运用。

     

     

    参考:https://github.com/fxsjy/jieba

    展开全文
  • 中文分词中文文本处理...jieba分词算法使用了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生成词情况所构成的有向无环图(DAG), 再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
  • Python中文分词jieba库的使用 1.jieba库简介: 中文文本需要通过分词获得单个单词,jieba库是优秀的中文分词第三方库,需要额外安装。 2.jieba库的安装: 在Anaconda Prompt命令行下输入:pip install jieba 3....
  • 中文分词 jieba和HanLP

    千次阅读 2018-10-23 10:43:54
    使用jieba进行分词 import jieba content = "现如今,机器学习和深度学习带动人工智能飞速的发展,并在图片处理、语音识别领域取得巨大成功。" # cut_all 参数用来控制是否采用全模式 segs_1 ...
  • python中文分词jieba分词的使用

    千次阅读 2019-01-14 12:39:00
    文章目录1.特点2.安装说明安装示例下载:安装:测试:3.算法4.主要功能(1)分词(2)添加自定义词典载入词典调整词典(3)关键词提取一、基于 TF-IDF 算法的关键词...中文分词的工具有很多种,例如HanLP、jieba分词、Fu...
  • 本文参考jieba官方文档而成,官方链接:https://github.com/fxsjy/jieba【一】jieba安装pip install jieba【二】jieba简介简介可见jieba官方说明:https://pypi.org/project/jieba/总而言之,jieba用于中文分词,...
  • jieba 中文分词介绍及使用

    千次阅读 2019-12-09 21:13:09
    1. 分词 2. 添加自定义词典 2.1 载入词典 2.2 调整词典 3. 关键词提取 3.1 基于 TF-IDF 算法的关键词抽取 3.2 基于 TextRank 算法的关键词抽取 4. 词性标注 5. 并行分词 6. kenize:返回词语在原文的起止...
  • 中文分词jieba学习笔记一、分词模式二、自定义词典2.1 命令2.2 使用方式三、关键词抽取 一、分词模式 二、自定义词典 2.1 命令   jieba.load_userdict(filename) filename为自定义词典的路径 2.2 使用方式   在...
  • 这里使用网上流行的开源分词工具结巴分词(jieba),它可以有效的将句子里的词语一个个的提取出来,关于结巴分词的原理此处不再赘述,关键是他的使用方法。1、安装结巴分词是一个Python的工具函数库,在python环境下...
  • import jiebaimport jieba.analyseimport jieba.posseg as psegimport timefilename='2.txt'def file_jieba_wordcout(filename): file=open(filename,'r').read() file=jieba.cut(file) dict={} for wor...
  • python中使用jieba进行中文分词

    万次阅读 多人点赞 2018-05-14 02:04:07
    一 “结巴”中文分词:做最好的 Python 中文分词组件 。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;...
  • 1.默认情况 语句中关键字在含有英文和特殊字符时(machine-1234),使用jieba...通常情况下,我们可以加载预定义字典来包含词库里不存在的词,以达到正确分词的效果 # 利用用户自定义字典 import jieba str1 = 查找mac
  • 整体介绍jieba 基于Python的中文分词工具,安装使用非常方便,直接pip即可,2/3都可以,功能强悍,博主十分推荐github:https://github.com/fxsjy/jieba开源中国地址:http://www.oschina.net/p/jieba/?fromerr=LRXZzk9z写...
  • jieba分词实战

    千次阅读 多人点赞 2018-04-12 21:22:41
    jieba是中文分词的一个模块,官方文档 jieba官方文档1,分词jieba分词常用的函数:jieba.cut() jieba.lcut() jieba.cut_for_search() jieba.lcut_for_search() jieba.Tokenizer(dictionary=DEFAULT_DICT)jieba.cut...
  • 中文分词mapreduce程序

    2018-03-07 18:03:01
    中文进行分词的java代码,分别在map reduce中实现。
  • jieba分词器,支持lucene5版本。分词效果非常好,推荐使用。
  • Python中文分词 jieba

    2019-03-08 19:05:34
    作者:Font Tian 来源:CSDN ...版权声明:本文为博主原创文章,转载请附上博文链接!...jieba 基于Python的中文分词工具,安装使用非常方便,直接pip即可,2/3都可以,功能强悍,博主十分推荐 github:https://github.com...
  • 基于python中jieba包的中文分词中详细使用(一)

    万次阅读 多人点赞 2018-05-06 12:43:21
    基于python中jieba包的中文分词中详细使用(一) 01.前言 02.jieba的介绍 02.1 What 02.2特点 02.3安装与使用 02.4涉及到的算法 03.主要功能 03.01分词 03.02添加自定义词典 03.02调整词典 04.结束语 ...
  • .net中文分词 jieba.NET

    2019-04-10 17:32:00
    在做文本分析相关的事情时免不了进行中文分词,于是就遇到了用Python实现的结巴中文分词jieba使用起来非常简单,同时分词的结果也令人印象深刻,有兴趣的可以到它的在线演示站点体验下(注意第三行文字)。 .NET...
  • Python 中文分词 jieba(小白进)

    万次阅读 多人点赞 2018-06-03 20:00:34
    import jieba # 将要被切词的文本 sentence = '金融数据分析' # 创建【生成器】对象 generator = jieba.cut(sentence) print(generator) print结果: &...
  • 1、中文分词(Chinese Word Segmentation) 指的是将一个汉字序列切分成一个一个单独的词。分词就是将连续的字序列按照一定的规范重新组合成词序列的过程2、现有的分词算法可分为三大类:基于字符串匹配的分词方法、...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 15,983
精华内容 6,393
关键字:

中文分词jieba