http://blog.csdn.net/li_31415/article/details/48660073

号称“做最好的Python中文分词组件”的jieba分词是python语言的一个中文分词包。它的特点有：
     

    1. 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。

    2. 支持繁体分词

    3. 支持自定义词典

      Python 2.x 下的安装

      • 全自动安装：easy_install jieba 或者 pip install jieba

      • 半自动安装：先下载http://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

      • 通过import jieba 来引用 （第一次import时需要构建Trie树，需要几秒时间）

      Python 3.x 下的安装

      • 目前master分支是只支持Python2.x 的

      • Python3.x 版本的分支也已经基本可用： 

        https://github.com/fxsjy/jieba/tree/jieba3k

        [html]
        1. git clone https://github.com/fxsjy/jieba.git  
        2. git checkout jieba3k  
        3. python setup.py install<h1 style="font-family: Helvetica, arial, freesans, clean, sans-serif; font-size: 28px;"><a target=_blank name="-1" href="https://github.com/fxsjy/jieba/blob/master/README.md#-1"></a>功能 1)：分词</h1><ul class=" list-paddingleft-2" style="color: rgb(51, 51, 51); font-family: Helvetica, arial, freesans, clean, sans-serif; font-size: 14px;"><li><p>jieba.cut方法接受两个输入参数: 1) 第一个参数为需要分词的字符串 2）cut_all参数用来控制是否采用全模式 </p></li><li><p>jieba.cut_for_search方法接受一个参数：需要分词的字符串,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 </p></li><li><p> 注意：待分词的字符串可以是gbk字符串、utf-8字符串或者unicode </p></li><li><p> 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)，也可以用list(jieba.cut(...))转化为list </p></li></ul><p style="color: rgb(51, 51, 51); font-family: Helvetica, arial, freesans, clean, sans-serif; font-size: 14px;">代码示例( 分词 )</p><pre>#encoding=utf-8  
        4. import jieba  
        5.   
        6. seg_list = jieba.cut("我来到北京清华大学",cut_all=True)  
        7. print "Full Mode:", "/ ".join(seg_list) #全模式  
        8.   
        9. seg_list = jieba.cut("我来到北京清华大学",cut_all=False)  
        10. print "Default Mode:", "/ ".join(seg_list) #精确模式  
        11.   
        12. seg_list = jieba.cut("他来到了网易杭研大厦") #默认是精确模式  
        13. print ", ".join(seg_list)  
        14.   
        15. 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  
        16. print ", ".join(seg_list)  

        Output:

        【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, 日本京都大学, 深造

        功能 2) ：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，最后为词性（可省略），用空格隔开

        • 范例：

        • "通过用户自定义词典来增强歧义纠错能力" --- https://github.com/fxsjy/jieba/issues/14

        功能 3) ：关键词提取

        • jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse

        • setence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

        代码示例 （关键词提取）

        https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py

        功能 4) : 词性标注（这是重点）

        • 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 w in words:
...    print w.word,w.flag
...
我 r
爱 v
北京 ns
天安门 ns

        功能 5) : 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。

        功能 6) : Tokenize：返回词语在原文的起始位置

        • 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

        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


          另附词性标注表如下：

          1. 名词 (1个一类，7个二类，5个三类)
          名词分为以下子类：
          n 名词
          nr 人名
          nr1 汉语姓氏
          nr2 汉语名字
          nrj 日语人名
          nrf 音译人名
          ns 地名
          nsf 音译地名
          nt 机构团体名
          nz 其它专名
          nl 名词性惯用语
          ng 名词性语素
          2. 时间词(1个一类，1个二类)
          t 时间词
          tg 时间词性语素
          3. 处所词(1个一类)
          s 处所词
          4. 方位词(1个一类)
          f 方位词
          5. 动词(1个一类，9个二类)
          v 动词
          vd 副动词
          vn 名动词
          vshi 动词“是”
          vyou 动词“有”
          vf 趋向动词
          vx 形式动词
          vi 不及物动词（内动词）
          vl 动词性惯用语
          vg 动词性语素
          6. 形容词(1个一类，4个二类)
          a 形容词
          ad 副形词
          an 名形词
          ag 形容词性语素
          al 形容词性惯用语
          7. 区别词(1个一类，2个二类)
          b 区别词
          bl 区别词性惯用语
          8. 状态词(1个一类)
          z 状态词
          9. 代词(1个一类，4个二类，6个三类)
          r 代词
          rr 人称代词
          rz 指示代词
          rzt 时间指示代词
          rzs 处所指示代词
          rzv 谓词性指示代词
          ry 疑问代词
          ryt 时间疑问代词
          rys 处所疑问代词
          ryv 谓词性疑问代词
          rg 代词性语素
          10. 数词(1个一类，1个二类)
          m 数词
          mq 数量词
          11. 量词(1个一类，2个二类)
          q 量词
          qv 动量词
          qt 时量词
          12. 副词(1个一类)
          d 副词
          13. 介词(1个一类，2个二类)
          p 介词
          pba 介词“把”
          pbei 介词“被”
          14. 连词(1个一类，1个二类)
          c 连词
          cc 并列连词
          15. 助词(1个一类，15个二类)
          u 助词
          uzhe 着
          ule 了 喽
          uguo 过
          ude1 的 底
          ude2 地
          ude3 得
          usuo 所
          udeng 等 等等 云云
          uyy 一样 一般 似的 般
          udh 的话
          uls 来讲 来说 而言 说来
          uzhi 之
          ulian 连 （“连小学生都会”）
          16. 叹词(1个一类)
          e 叹词
          17. 语气词(1个一类)
          y 语气词(delete yg)
          18. 拟声词(1个一类)
          o 拟声词
          19. 前缀(1个一类)
          h 前缀
          20. 后缀(1个一类)
          k 后缀
          21. 字符串(1个一类，2个二类)
          x 字符串
          xx 非语素字
          xu 网址URL
          22. 标点符号(1个一类，16个二类)
          w 标点符号
          wkz 左括号，全角：（ 〔 ［ ｛ 《 【 〖 〈 半角：( [ { <
          wky 右括号，全角：） 〕 ］ ｝ 》 】 〗 〉 半角： ) ] { >
          wyz 左引号，全角：“ ‘ 『
          wyy 右引号，全角：” ’ 』
          wj 句号，全角：。
          ww 问号，全角：？ 半角：?
          wt 叹号，全角：！ 半角：!
          wd 逗号，全角：， 半角：,
          wf 分号，全角：； 半角： ;
          wn 顿号，全角：、
          wm 冒号，全角：： 半角： :
          ws 省略号，全角：…… …
          wp 破折号，全角：—— －－ ——－ 半角：--- ----
          wb 百分号千分号，全角：％ ‰ 半角：%
          wh 单位符号，全角：￥ ＄ ￡ ° ℃ 半角：$