介紹
結巴分詞是一個受大家喜愛的分詞庫，源碼地址爲github，今天我們就跟進源碼，看一下結巴分詞的原理
原理
def cut(self, sentence, cut_all=False, HMM=True):
'''
The main function that segments an entire sentence that contains
Chinese characters into separated words.
Parameter:
- sentence: The str(unicode) to be segmented.
- cut_all: Model type. True for full pattern, False for accurate pattern.
- HMM: Whether to use the Hidden Markov Model.
'''使用結巴分詞的時候，有三種模式，這三種模式的進入條件分別爲：
if cut_all:
cut_block = self.__cut_all
elif HMM:
cut_block = self.__cut_DAG
else:
cut_block = self.__cut_DAG_NO_HMM首先我們看一下這三種模式
-
__cut_all:
- 原句：我來到北京清華大學 結果：我/ 來到/ 北京/ 清華/ 清華大學/ 華大/ 大學
- 原句：他來到了網易杭研大廈 結果：他/ 來到/ 了/ 網易/ 杭/ 研/ 大廈
-
__cut_DAG:
- 原句：我來到北京清華大學 結果:我/ 來到/ 北京/ 清華大學
- 原句：他來到了網易杭研大廈 結果：他/ 來到/ 了/ 網易/ 杭研/ 大廈
-
__cut_DAG_NO_HMM:
- 原句：我來到北京清華大學 結果:我/ 來到/ 北京/ 清華大學
- 原句：他來到了網易杭研大廈 結果：他/ 來到/ 了/ 網易/ 杭/ 研/ 大廈
下面我們就來分析一下這三種模式：
這三種模式有一個共同點，第一步都是先構造DAG，也就是構造有向無環圖。
源碼如下：
def get_DAG(self, sentence):
self.check_initialized()
DAG = {}
N = len(sentence)
for k in xrange(N):
tmplist = []
i = k
frag = sentence[k]
while i < N and frag in self.FREQ:
if self.FREQ[frag]:
tmplist.append(i)
i += 1
frag = sentence[k:i + 1]
if not tmplist:
tmplist.append(k)
DAG[k] = tmplist
return DAG如果sentence是'我來到北京清華大學‘，那麼DAG爲
{0: [0], 1: [1, 2], 2: [2], 3: [3, 4], 4: [4], 5: [5, 6, 8], 6: [6, 7], 7: [7, 8], 8: [8]}直觀上來看，DAG[5]=[5,6,8]的意思就是，以’清‘開頭的話，分別以5、6、8結束時，可以是一個詞語，即’清‘、’清華‘、’清華大學‘
get_DAG方法中，最重要的也就是self.FREQ了，它是怎麼來的呢？
其實就是通過jieba目錄下，dict.txt文件來產生的self.FREQ,方法如下：
dict.txt共有349046行，每一行格式爲：
一 217830 m
一一 1670 m
一一二 11 m
一一例 3 m
一一分 8 m
一一列舉 34 i第一部分爲詞語，第二部分爲該詞出現的頻率，第三部分爲該詞的詞性。
以讀取’一一列舉‘爲例子，首先執行self.FREQ['一一列舉']=34，然後會檢查’一‘、’一一‘、’一一列‘、’一一列舉‘之前是否在self.FREQ中存儲過，如果之前存儲過，則跳過，否則執行self.FREQ['一']=0，self.FREQ['一一']=0，self.FREQ['一一列']=0
所以self.FREQ中不止存儲了正常的詞語和它出現的次數，同時也存儲了所有詞語的前綴，並將前綴出現的次數設置爲0,以和正常詞語區別開。
好了，現在DAG這部分我們介紹完了，然後我們分開來介紹一下這三種模式：
__cut_all
源碼如下：
def __cut_all(self, sentence):
dag = self.get_DAG(sentence)
old_j = -1
for k, L in iteritems(dag):
if len(L) == 1 and k > old_j:
yield sentence[k:L[0] + 1]
old_j = L[0]
else:
for j in L:
if j > k:
yield sentence[k:j + 1]
old_j = j這個具體的遍歷方式我們就不細說了，大家自行看源碼吧
__cut_DAG
def __cut_DAG(self, sentence):
DAG = self.get_DAG(sentence)
route = {}
self.calc(sentence, DAG, route)
......首先我們先看一下self.calc方法
def calc(self, sentence, DAG, route):
N = len(sentence)
route[N] = (0, 0)
logtotal = log(self.total)
for idx in xrange(N - 1, -1, -1):
route[idx] = max((log(self.FREQ.get(sentence[idx:x + 1]) or 1) -
logtotal + route[x + 1][0], x) for x in DAG[idx])這裏使用了一個技巧，也就是log(a) + log(b) = log(ab)，從而巧妙的避過了乘法，也就避免了溢出的風險。
其實calc函數就是實現了vertibi算法，不瞭解vertibi算法的同學自行百度吧。
然後再貼上整個__cut_DAG的源碼：
def __cut_DAG(self, sentence):
DAG = self.get_DAG(sentence)
route = {}
self.calc(sentence, DAG, route)
x = 0
buf = ''
N = len(sentence)
while x < N:
y = route[x][1] + 1
l_word = sentence[x:y]
if y - x == 1:
buf += l_word
else:
if buf:
if len(buf) == 1:
yield buf
buf = ''
else:
if not self.FREQ.get(buf):
recognized = finalseg.cut(buf)
for t in recognized:
yield t
else:
for elem in buf:
yield elem
buf = ''
yield l_word
x = y
if buf:
if len(buf) == 1:
yield buf
elif not self.FREQ.get(buf):
recognized = finalseg.cut(buf)
for t in recognized:
yield t
else:
for elem in buf:
yield elem其中，重點關注這一部分
if not self.FREQ.get(buf):
recognized = finalseg.cut(buf)
for t in recognized:
yield t什麼時候會進入finalseg.cut(buf)呢？實際上，就是當遇到一些dict.txt中沒出現的詞的時候，纔會進入這個函數：
在這個函數中，就是使用HMM的方法，對這些未識別成功的詞進行標註，然後我們來介紹一下項目中相關的內容：
其中，prob_start.py存儲的是HMM的起始狀態相關的信息，文件中的數字都經過log處理過：
P={'B': -0.26268660809250016,
'E': -3.14e+100,
'M': -3.14e+100,
'S': -1.4652633398537678}B代表begin，E代表end，M代表middle，S代表single。所以在開始時，HMM的狀態只可能是S或者B，而E和M爲負無窮
prob_trans.py存儲的是狀態轉移矩陣：
P={'B': {'E': -0.510825623765990, 'M': -0.916290731874155},
'E': {'B': -0.5897149736854513, 'S': -0.8085250474669937},
'M': {'E': -0.33344856811948514, 'M': -1.2603623820268226},
'S': {'B': -0.7211965654669841, 'S': -0.6658631448798212}}prob_emit.py中存儲的是在該狀態下出現該漢字的概率，例如p('劉'|S)=-0.916
P={'B': {'\u4e00': -3.6544978750449433,
'\u4e01': -8.125041941842026,
'\u4e03': -7.817392401429855,
'\u4e07': -6.3096425804013165,
'\u4e08': -8.866689067453933,
'\u4e09': -5.932085850549891,
'\u4e0a': -5.739552583325728,
'\u4e0b': -5.997089097239644,
'\u4e0d': -4.274262055936421,
'\u4e0e': -8.355569307500769,
......通過這種方式，也就可以進行分詞了。
‘我/ 來到/ 北京/ 清華大學’對應的狀態應該爲'SBEBEBMME'
__cut_DAG_NO_HMM
其實__cut_DAG_NO_HMM和__cut_DAG的區別就是：對vertibi未成功切分的部分，__cut_DAG_NO_HMM沒有使用HMM進行分詞。源碼如下：
def __cut_DAG_NO_HMM(self, sentence):
DAG = self.get_DAG(sentence)
route = {}
self.calc(sentence, DAG, route)
x = 0
N = len(sentence)
buf = ''
while x < N:
y = route[x][1] + 1
l_word = sentence[x:y]
if re_eng.match(l_word) and len(l_word) == 1:
buf += l_word
x = y
else:
if buf:
yield buf
buf = ''
yield l_word
x = y
if buf:
yield buf
buf = ''