Python jieba[结巴分词]

1、简要说明

结巴分词支持三种分词模式，支持繁体字，支持自定义词典

2、三种分词模式

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

精简模式：把句子最精确的分开，不会添加多余单词，看起来就像是把句子分割一下

搜索引擎模式：在精简模式下，对长词再度切分

# -*- encoding=utf-8 -*-

import jieba

if __name__ == '__main__':
    str1 = '我去北京天安门广场跳舞'
    a = jieba.lcut(str1, cut_all=True)  # 全模式
    print('全模式:{}'.format(a))
    b = jieba.lcut(str1, cut_all=False)  # 精简模式
    print('精简模式:{}'.format(b))
    c = jieba.lcut_for_search(str1)  # 搜索引擎模式
    print('搜索引擎模式:{}'.format(c))

运行

3、某个词语不能被分开

# -*- encoding=utf-8 -*-

import jieba

if __name__ == '__main__':
    str1 = '桃花侠大战菊花怪'
    b = jieba.lcut(str1, cut_all=False)  # 精简模式
    print('精简模式:{}'.format(b))
    # 如果不把桃花侠分开
    jieba.add_word('桃花侠')
    d = jieba.lcut(str1)  # 默认是精简模式
    print(d)

运行

4、某个单词必须被分开

# -*- encoding=utf-8 -*-

import jieba

if __name__ == '__main__':
    # HMM参数，默认为True
    '''HMM 模型，即隐马尔可夫模型（Hidden Markov Model, HMM），是一种基于概率的统计分析模型，
    用来描述一个系统隐性状态的转移和隐性状态的表现概率。
    在 jieba 中，对于未登录到词库的词，使用了基于汉字成词能力的 HMM 模型和 Viterbi 算法，
    其大致原理是：
    采用四个隐含状态，分别表示为单字成词，词组的开头，词组的中间，词组的结尾。
    通过标注好的分词训练集，可以得到 HMM 的各个参数，然后使用 Viterbi 算法来解释测试集，得到分词结果。
    '''
    str1 = '桃花侠大战菊花怪'
    b = jieba.lcut(str1, cut_all=False, HMM=False)  # 精简模式，且不使用HMM模型
    print('精简模式:{}'.format(b))
    # 分开大战为大和战
    jieba.suggest_freq(('大', '战'), True)
    e = jieba.lcut(str1, HMM=False)  # 不使用HMM模型
    print('分开:{}'.format(e))