Python自然语言处理学习——jieba分词

jieba——“结巴”中文分词是sunjunyi开发的一款Python中文分词组件，可以在Github上查看jieba项目。

要使用jieba中文分词，首先需要安装jieba中文分词，作者给出了如下的安装方法：

1.全自动安装：easy_install jieba 或者 pip install jieba / pip3 install jieba

2.半自动安装：先下载 http://pypi.python.org/pypi/jieba/ ，解压后运行 python setup.py install

3.手动安装：将 jieba 目录放置于当前目录或者 site-packages 目录

 

作者介绍其采用的算法：

1.基于前缀词典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

 

主要功能：

1.分词

　　分词功能主要有两个方法 jieba.cut 和 jieba.cut_for_search，

其中 jieba.cut方法 接受三个输入参数:

　　1.需要分词的字符串；

　　2.cut_all 参数用来控制是否采用全模式；

　　3.HMM 参数用来控制是否使用 HMM 模型

jieba.cut("我来到北京清华大学", cut_all=True)

 其中 jieba.cut_for_search方法 接受两个输入参数:

　　1.需要分词的字符串；

　　2.是否使用 HMM 模型。

　　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

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")

 jieba.cut方法 和 jieba.cut_for_search方法 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)

也可以使用 jieba.lcut方法 和 jieba.lcut_for_search方法 直接返回 list

 

作者的说明：待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。

注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8

 

以下是作者给出的demo和运行结果：

# coding:utf-8
# !/usr/bin/env python

import jieba 

if __name__ == '__main__':
	seg_list = jieba.cut("我来到北京清华大学", cut_all=True) 
	print("Full Mode: " + "/ ".join(seg_list))		#全模式 
	seg_list = jieba.cut("我来到北京清华大学", cut_all=False) 
	print("Default Mode: " + "/ ".join(seg_list))	#精确模式 
	seg_list = jieba.cut("他来到了网易杭研大厦")		#默认是精确模式 
	print(", ".join(seg_list)) 
	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 
	print(", ".join(seg_list))

输出的结果

可以看到：

　　全模式：试图将句子最精确地切开，适合文本分析，输出的是所有可能的分词组合，比如清华大学，会被分成：清华，清华大学，华大，大学

　　默认模型（精确模型）：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，比如清华大学，只会输出清华大学

　　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

还有另外一个方法 jieba.Tokenizer(dictionary=DEFAULT_DICT)，用于新建自定义分词器，可用于同时使用不同词典。

jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。