原文:https://github.com/fxsjy/jieba
jieba
"結巴"中文分詞:做最好的Python中文分詞組件 "Jieba"
Feature
-
支持三種分詞模式:
-
精確模式,試圖將句子最精確地切開,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,適合用於搜索引擎分詞。
-
-
支持繁體分詞
-
支持自定義詞典
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/ ,解壓後運行python setup.py install
-
手動安裝:將jieba目錄放置於當前目錄或者site-packages目錄
-
通過import jieba 來引用 (第一次import時需要構建Trie樹,需要幾秒時間)
Python 3.x 下的安裝
-
目前master分支是隻支持Python2.x 的
-
Python3.x 版本的分支也已經基本可用: https://github.com/fxsjy/jieba/tree/jieba3k
git clone https://github.com/fxsjy/jieba.git git checkout jieba3k python setup.py install
Algorithm
-
基於Trie樹結構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)
-
採用了動態規劃查找最大概率路徑, 找出基於詞頻的最大切分組合
-
對於未登錄詞,採用了基於漢字成詞能力的HMM模型,使用了Viterbi算法
功能 1):分詞
-
jieba.cut方法接受兩個輸入參數: 1) 第一個參數爲需要分詞的字符串 2)cut_all參數用來控制是否採用全模式
-
jieba.cut_for_search方法接受一個參數:需要分詞的字符串,該方法適合用於搜索引擎構建倒排索引的分詞,粒度比較細
-
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返回的結構都是一個可迭代的generator,可以使用for循環來獲得分詞後得到的每一個詞語(unicode),也可以用list(jieba.cut(...))轉化爲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",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",cut_all=False)
print "Default Mode:", "/ ".join(seg_list) #精確模式
seg_list = jieba.cut("他來到了網易杭研大廈") #默認是精確模式
print ", ".join(seg_list)
seg_list = jieba.cut_for_search("小明碩士畢業於中國科學院計算所,後在日本京都大學深造") #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/ 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”並沒有在詞典中,但是也被Viterbi算法識別出來了)
【搜索引擎模式】: 小明, 碩士, 畢業, 於, 中國, 科學, 學院, 科學院, 中國科學院, 計算, 計算所, 後, 在, 日本, 京都, 大學, 日本京都大學, 深造
功能 2) :添加自定義詞典
-
開發者可以指定自己自定義的詞典,以便包含jieba詞庫裏沒有的詞。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爲自定義詞典的路徑
-
詞典格式和dict.txt一樣,一個詞佔一行;每一行分三部分,一部分爲詞語,另一部分爲詞頻,最後爲詞性(可省略),用空格隔開
-
範例:
-
之前: 李小福 / 是 / 創新 / 辦 / 主任 / 也 / 是 / 雲 / 計算 / 方面 / 的 / 專家 /
-
加載自定義詞庫後: 李小福 / 是 / 創新辦 / 主任 / 也 / 是 / 雲計算 / 方面 / 的 / 專家 /
-
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
-
-
"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
功能 3) :關鍵詞提取
-
jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse
-
setence爲待提取的文本
-
topK爲返回幾個TF/IDF權重最大的關鍵詞,默認值爲20
代碼示例 (關鍵詞提取)
https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py
功能 4) : 詞性標註
-
標註句子分詞後每個詞的詞性,採用和ictclas兼容的標記法
-
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) : 並行分詞
-
原理:將目標文本按行分隔後,把各行文本分配到多個python進程並行分詞,然後歸併結果,從而獲得分詞速度的可觀提升
-
基於python自帶的multiprocessing模塊,目前暫不支持windows
-
用法:
-
jieba.enable_parallel(4) # 開啓並行分詞模式,參數爲並行進程數
-
jieba.disable_parallel() # 關閉並行分詞模式
-
-
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。
功能 6) : Tokenize:返回詞語在原文的起始位置
-
注意,輸入參數只接受unicode
-
默認模式
result = jieba.tokenize(u'永和服裝飾品有限公司')
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 服裝 start: 2 end:4
word 飾品 start: 4 end:6
word 有限公司 start: 6 end:10
-
搜索模式
result = jieba.tokenize(u'永和服裝飾品有限公司',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 服裝 start: 2 end:4
word 飾品 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
功能 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
其他詞典
-
佔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,然後覆蓋jieba/dict.txt 即可或者用jieba.set_dictionary('data/dict.txt.big')
模塊初始化機制的改變:lazy load (從0.28版本開始)
jieba採用延遲加載,"import jieba"不會立即觸發詞典的加載,一旦有必要纔開始加載詞典構建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,有了延遲加載機制後,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
分詞速度
-
1.5 MB / Second in Full Mode
-
400 KB / Second in Default Mode
-
Test Env: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz;《圍城》.txt
常見問題
1)模型的數據是如何生成的?https://github.com/fxsjy/jieba/issues/7
2)這個庫的授權是? https://github.com/fxsjy/jieba/issues/2
更多問題請點擊:https://github.com/fxsjy/jieba/issues?sort=updated&state=closed