python结巴(jieba)分词

python结巴(jieba)分词

一、特点

1、支持三种分词模式：
　　(1)精确模式：试图将句子最精确的切开，适合文本分析。
　　(2)全模式：把句子中所有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。
　　(3)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

二、实现

结巴分词的实现原理主要有一下三点：
(1)基于Trie树结构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)。
(2)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。
(3)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。

三、应用

我们来演示一下结巴分词的主要功能

1、分词

#-*- coding:utf-8 -*-


import jieba



'''
cut方法有两个参数
1)第一个参数是我们想分词的字符串
2)第二个参数cut_all是用来控制是否采用全模式
'''

#全模式
word_list = jieba.cut("今天天气真好。亲爱的，我们去远足吧！",cut_all=True)
print "全模式：","|".join(word_list)
#精确模式 , 默认就是精确模式
word_list = jieba.cut("今天天气真好。亲爱的，我们去远足吧！",cut_all=False)
print "精确模式：","|".join(word_list)
#搜索引擎模式
word_list = jieba.cut_for_search("今天天气真好。亲爱的，我们去远足吧！")
print "搜索引擎：","|".join(word_list)

2、添加自定义词典

虽然jieba有新词识别能力，但是自己添加新词可以保证更高的正确率。
开发者可以根据自己的需要添加自定义词典，以便包含jieba词库里没有的词。
例：小红今天我们还去以前经常去的地方远足吗？要不咱们换个地方吧！园小园怎么样?没问题小豆芽

自定义词典（cu.txt）：
园小园 5
小豆芽 3 nr

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），中间用空格隔开。

#-*- coding:utf-8 -*-
import jieba

jieba.load_userdict("./cu.txt")
word_list = jieba.cut("今天去远足吗？要不咱们换个地方吧！园小园怎么样?没问题小豆芽")
print "|".join(word_list)

3、关键词提取

1)第一个参数(setence)为待提取的文本。
2)topK为返回几个TF/IDF权重最大的关键词，默认值为20,可以自己指定。

#-*- coding:utf-8 -*-
import jieba.analyse as al

content = open("./topk.txt","rb").read()
word_topk = al.extract_tags(content,topK=4)
print "|".join(word_topk)

4、词性标注

标注句子分词后每个词的词性，采用和ictclas兼容的标记法。

#-*- coding:utf-8 -*-
import jieba.posseg as pseg

words = pseg.cut("青岛北京是不错的地方")
for word in words:
    print word.word,word.flag

运行结果：
青岛 ns
北京 ns
是 v
不错 a
的 uj
地方 n

5、并行分词(只能在linux系统上运行)

将要进行分词的文本按行分隔，把各行文本分配到多个python进程中去，然后归并结果，从而使分词速度提升。
基于python的multiprocessing模块，目前不支持windows系统。

#-*- coding:utf-8 -*-
import jieba
#开启并行分词模式，参数为参与并行分词的进程数
jieba.enable_parallel(2)
#关闭并行分词
#jieba.disable_parallel()
content = open("./topk.txt","rb")
words = jieba.cut(content)
print "|".join(words)

6、模块初始化机制的改变:lazy load （从0.28版本开始）

下载你所需要的词典，然后覆盖jieba/dict.txt或者用jieba.set_dictionary("")将其覆盖。

#-*- coding:utf-8 -*-

import jieba
jieba.set_dictionary("./dict.txt")
content = open("./content.txt","rb").read()
words = jieba.cut(content)
print "|".join(words)

7、Tokenize：返回词语在原文的起始位置

1)第一个参数为文本内容。
2）第二个参数mode可以不用默认模式，指定为“search”搜索引擎模式。

#-*- coding:utf-8 -*-
import jieba

result = jieba.tokenize(u'今天天气真好。亲爱的，我们去远足吧！')
for token in result:
    print "word %s\t\t start: %d \t\t end:%d" % (token[0],token[1],token[2])