jieba中文處理
和拉丁語系不同,亞洲語言是不用空格分開每個有意義的詞的。而當我們進行自然語言處理的時候,大部分情況下,詞彙是我們對句子和文章理解的基礎,因此需要一個工具去把完整的文本中分解成粒度更細的詞。
jieba就是這樣一個非常好用的中文工具,是以分詞起家的,但是功能比分詞要強大很多。
1.基本分詞函數與用法
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)
jieba.cut 方法接受三個輸入參數:
- 需要分詞的字符串
- cut_all 參數用來控制是否採用全模式
- HMM 參數用來控制是否使用 HMM 模型
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。
該方法適合用於搜索引擎構建倒排索引的分詞,粒度比較細
In [1]:
# encoding=utf-8
import jieba
seg_list = jieba.cut("我在學習自然語言處理", cut_all=True)
print seg_list
print("Full Mode: " + "/ ".join(seg_list)) # 全模式
seg_list = jieba.cut("我在學習自然語言處理", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list)) # 精確模式
seg_list = jieba.cut("他畢業於上海交通大學,在百度深度學習研究院進行研究") # 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,後在哈佛大學深造") # 搜索引擎模式
print(", ".join(seg_list))
Building prefix dict from the default dictionary ...
Loading model from cache /var/folders/pn/xp31896922n9rqxgftrqk3l00000gn/T/jieba.cache
Loading model cost 0.496 seconds.
<generator object cut at 0x10bbd91e0>
Prefix dict has been built succesfully.
Full Mode: 我/ 在/ 學習/ 自然/ 自然語言/ 語言/ 處理
Default Mode: 我/ 在/ 學習/ 自然語言/ 處理
他, 畢業, 於, 上海交通大學, ,, 在, 百度, 深度, 學習, 研究院, 進行, 研究
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, 哈佛, 大學, 哈佛大學, 深造
jieba.lcut以及jieba.lcut_for_search直接返回 list
In [2]:
result_lcut = jieba.lcut("小明碩士畢業於中國科學院計算所,後在哈佛大學深造")
print result_lcut
print " ".join(result_lcut)
print " ".join(jieba.lcut_for_search("小明碩士畢業於中國科學院計算所,後在哈佛大學深造"))
[u'\u5c0f\u660e', u'\u7855\u58eb', u'\u6bd5\u4e1a', u'\u4e8e', u'\u4e2d\u56fd\u79d1\u5b66\u9662', u'\u8ba1\u7b97\u6240', u'\uff0c', u'\u540e', u'\u5728', u'\u54c8\u4f5b\u5927\u5b66', u'\u6df1\u9020']
小明 碩士 畢業 於 中國科學院 計算所 , 後 在 哈佛大學 深造
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 哈佛 大學 哈佛大學 深造
添加用戶自定義詞典
很多時候我們需要針對自己的場景進行分詞,會有一些領域內的專有詞彙。
- 1.可以用jieba.load_userdict(file_name)加載用戶字典
- 2.少量的詞彙可以自己用下面方法手動添加:
- 用 add_word(word, freq=None, tag=None) 和 del_word(word) 在程序中動態修改詞典
- 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。
In [3]:
print('/'.join(jieba.cut('如果放到舊字典中將出錯。', HMM=False)))
如果/放到/舊/字典/中將/出錯/。
In [4]:
jieba.suggest_freq(('中', '將'), True)
Out[4]:
494
In [5]:
print('/'.join(jieba.cut('如果放到舊字典中將出錯。', HMM=False)))
如果/放到/舊/字典/中/將/出錯/。
關鍵詞提取
基於 TF-IDF 算法的關鍵詞抽取
import jieba.analyse
- jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
- sentence 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
- withWeight 爲是否一併返回關鍵詞權重值,默認值爲 False
- allowPOS 僅包括指定詞性的詞,默認值爲空,即不篩選
In [6]:
import jieba.analyse as analyse
lines = open('NBA.txt').read()
print " ".join(analyse.extract_tags(lines, topK=20, withWeight=False, allowPOS=()))
韋少 杜蘭特 全明星 全明星賽 MVP 威少 正賽 科爾 投籃 勇士 球員 斯布魯克 更衣櫃 張衛平 三連莊 NBA 西部 指導 雷霆 明星隊
In [7]:
lines = open(u'西遊記.txt').read()
print " ".join(analyse.extract_tags(lines, topK=20, withWeight=False, allowPOS=()))
行者 八戒 師父 三藏 唐僧 大聖 沙僧 妖精 菩薩 和尚 那怪 那裏 長老 呆子 徒弟 怎麼 不知 老孫 國王 一個
關於TF-IDF 算法的關鍵詞抽取補充
-
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
-
關鍵詞一併返回關鍵詞權重值示例
- 用法示例見這裏
基於 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:
- 將待抽取關鍵詞的文本進行分詞
- 以固定窗口大小(默認爲5,通過span屬性調整),詞之間的共現關係,構建圖
- 計算圖中節點的PageRank,注意是無向帶權圖
In [8]:
import jieba.analyse as analyse
lines = open('NBA.txt').read()
print " ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')))
print "---------------------我是分割線----------------"
print " ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=('ns', 'n')))
全明星賽 勇士 正賽 指導 對方 投籃 球員 沒有 出現 時間 威少 認爲 看來 結果 相隔 助攻 現場 三連莊 介紹 嘉賓
---------------------我是分割線----------------
勇士 正賽 全明星賽 指導 投籃 玩命 時間 對方 現場 結果 球員 嘉賓 時候 全隊 主持人 特點 大夥 肥皂劇 全程 快船隊
In [9]:
lines = open(u'西遊記.txt').read()
print " ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')))
行者 師父 八戒 三藏 大聖 不知 菩薩 妖精 只見 長老 國王 卻說 呆子 徒弟 小妖 出來 不得 不見 不能 師徒
詞性標註
- 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 爲默認詞性標註分詞器。
- 標註句子分詞後每個詞的詞性,採用和 ictclas 兼容的標記法。
- 具體的詞性對照表參見計算所漢語詞性標記集
In [10]:
import jieba.posseg as pseg
words = pseg.cut("我愛自然語言處理")
for word, flag in words:
print('%s %s' % (word, flag))
我 r
愛 v
自然語言 l
處理 v
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
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:並行分詞僅支持默認分詞器 jieba.dt 和 jieba.posseg.dt。
In [11]:
import sys
import time
import jieba
jieba.enable_parallel()
content = open(u'西遊記.txt',"r").read()
t1 = time.time()
words = "/ ".join(jieba.cut(content))
t2 = time.time()
tm_cost = t2-t1
print('並行分詞速度爲 %s bytes/second' % (len(content)/tm_cost))
jieba.disable_parallel()
content = open(u'西遊記.txt',"r").read()
t1 = time.time()
words = "/ ".join(jieba.cut(content))
t2 = time.time()
tm_cost = t2-t1
print('非並行分詞速度爲 %s bytes/second' % (len(content)/tm_cost))
並行分詞速度爲 830619.50933 bytes/second
非並行分詞速度爲 259941.448353 bytes/second
Tokenize:返回詞語在原文的起止位置
注意,輸入參數只接受 unicode
In [12]:
print "這是默認模式的tokenize"
result = jieba.tokenize(u'自然語言處理非常有用')
for tk in result:
print("%s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
print "\n-----------我是神奇的分割線------------\n"
print "這是搜索模式的tokenize"
result = jieba.tokenize(u'自然語言處理非常有用', mode='search')
for tk in result:
print("%s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
這是默認模式的tokenize
自然語言 start: 0 end:4
處理 start: 4 end:6
非常 start: 6 end:8
有用 start: 8 end:10
-----------我是神奇的分割線------------
這是搜索模式的tokenize
自然 start: 0 end:2
語言 start: 2 end:4
自然語言 start: 0 end:4
處理 start: 4 end:6
非常 start: 6 end:8
有用 start: 8 end:10
ChineseAnalyzer for Whoosh 搜索引擎
from jieba.analyse import ChineseAnalyzer
In [16]:
# -*- coding: UTF-8 -*-
from __future__ import unicode_literals
import sys,os
sys.path.append("../")
from whoosh.index import create_in,open_dir
from whoosh.fields import *
from whoosh.qparser import QueryParser
analyzer = jieba.analyse.ChineseAnalyzer()
schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT(stored=True, analyzer=analyzer))
if not os.path.exists("tmp"):
os.mkdir("tmp")
ix = create_in("tmp", schema) # for create new index
#ix = open_dir("tmp") # for read only
writer = ix.writer()
writer.add_document(
title="document1",
path="/a",
content="This is the first document we’ve added!"
)
writer.add_document(
title="document2",
path="/b",
content="The second one 你 中文測試中文 is even more interesting! 吃水果"
)
writer.add_document(
title="document3",
path="/c",
content="買水果然後來世博園。"
)
writer.add_document(
title="document4",
path="/c",
content="工信處女幹事每月經過下屬科室都要親口交代24口交換機等技術性器件的安裝工作"
)
writer.add_document(
title="document4",
path="/c",
content="咱倆交換一下吧。"
)
writer.commit()
searcher = ix.searcher()
parser = QueryParser("content", schema=ix.schema)
for keyword in ("水果世博園","你","first","中文","交換機","交換"):
print(keyword+"的結果爲如下:")
q = parser.parse(keyword)
results = searcher.search(q)
for hit in results:
print(hit.highlights("content"))
print("\n--------------我是神奇的分割線--------------\n")
for t in analyzer("我的好朋友是李明;我愛北京天安門;IBM和Microsoft; I have a dream. this is intetesting and interested me a lot"):
print(t.text)
水果世博園的結果爲如下:
買<b class="match term0">水果</b>然後來<b class="match term1">世博園</b>
--------------我是神奇的分割線--------------
你的結果爲如下:
second one <b class="match term0">你</b> 中文測試中文 is even more interesting
--------------我是神奇的分割線--------------
first的結果爲如下:
<b class="match term0">first</b> document we’ve added
--------------我是神奇的分割線--------------
中文的結果爲如下:
second one 你 <b class="match term0">中文</b>測試<b class="match term0">中文</b> is even more interesting
--------------我是神奇的分割線--------------
交換機的結果爲如下:
幹事每月經過下屬科室都要親口交代24口<b class="match term0">交換機</b>等技術性器件的安裝工作
--------------我是神奇的分割線--------------
交換的結果爲如下:
咱倆<b class="match term0">交換</b>一下吧
幹事每月經過下屬科室都要親口交代24口<b class="match term0">交換</b>機等技術性器件的安裝工作
--------------我是神奇的分割線--------------
我
好
朋友
是
李明
我
愛
北京
天安
天安門
ibm
microsoft
dream
intetest
interest
me
lot
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 顯示此幫助信息並退出
-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]
啓用詞性標註;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 作爲附加詞典,與默認詞典或自定義詞典配合使用
-a, --cut-all 全模式分詞(不支持詞性標註)
-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 顯示版本信息並退出
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 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.
In [ ]: