结巴分词jieba
常用方式
# 全模式 text = "我来到北京清华大学" seg_list = jieba.cut(text, cut_all=True) print u"[全模式]: ", "/ ".join(seg_list) # 精确模式 seg_list = jieba.cut(text, cut_all=False) print u"[精确模式]: ", "/ ".join(seg_list) # 默认是精确模式 seg_list = jieba.cut(text) print u"[默认模式]: ", "/ ".join(seg_list) # 新词识别 “杭研”并没有在词典中,但是也被Viterbi算法识别出来了 seg_list = jieba.cut("他来到了网易杭研大厦") print u"[新词识别]: ", "/ ".join(seg_list) # 搜索引擎模式 seg_list = jieba.cut_for_search(text) print u"[搜索引擎模式]: ", "/ ".join(seg_list)
[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 [默认模式]: 我/ 来到/ 北京/ 清华大学 [新词识别]: 他/ 来到/ 了/ 网易/ 杭研/ 大厦 [搜索引擎模式]: 我/ 来到/ 北京/ 清华/ 华大/ 大学/ 清华大学
自定义词典
# 导入自定义词典 jieba.load_userdict("dict.txt") # 全模式 text = "故宫的著名景点包括乾清宫、太和殿和黄琉璃瓦等" seg_list = jieba.cut(text, cut_all=True) print u"[全模式]: ", "/ ".join(seg_list) # 精确模式 seg_list = jieba.cut(text, cut_all=False) print u"[精确模式]: ", "/ ".join(seg_list) # 搜索引擎模式 seg_list = jieba.cut_for_search(text) print u"[搜索引擎模式]: ", "/ ".join(seg_list)
输出结果：
[全模式]: 故宫/ 的/ 著名/ 著名景点/ 景点/ 包括/ 乾清宫/ 清宫/ / / 太和/ 太和殿/ 和/ 黄琉璃瓦/ 琉璃/ 琉璃瓦/ 等 [精确模式]: 故宫/ 的/ 著名景点/ 包括/ 乾清宫/ 、/ 太和殿/ 和/ 黄琉璃瓦/ 等 [搜索引擎模式]: 故宫/ 的/ 著名/ 景点/ 著名景点/ 包括/ 清宫/ 乾清宫/ 、/ 太和/ 太和殿/ 和/ 琉璃/ 琉璃瓦/ 黄琉璃瓦/ 等
提取关键词
# 精确模式 text = "故宫的著名景点包括乾清宫、太和殿和午门等。其中乾清宫非常精美，午门是紫禁城的正门，午门居中向阳。" seg_list = jieba.cut(text, cut_all=False) print u"分词结果:" print "/".join(seg_list) # 获取关键词 tags = jieba.analyse.extract_tags(text, topK=3) print u"关键词:" print " ".join(tags)
输出结果：
分词结果: 故宫/的/著名景点/包括/乾清宫/、/太和殿/和/午门/等/。/其中/乾清宫/非常/精美/，/午门/是/紫禁城/的/正门/，/午门/居中/向阳/。 关键词: 午门 乾清宫 著名景点
词性
words = pseg.cut("我爱北京天安门") for w in words: print w.word, w.flag
输出结果：
我 r
爱 v
北京 ns
天安门 ns
词性表
|
Ag |
形语素 |
形容词性语素。形容词代码为 a，语素代码ｇ前面置以A。 |
|
a |
形容词 |
取英语形容词 adjective的第1个字母。 |
|
ad |
副形词 |
直接作状语的形容词。形容词代码 a和副词代码d并在一起。 |
|
an |
名形词 |
具有名词功能的形容词。形容词代码 a和名词代码n并在一起。 |
|
b |
区别词 |
取汉字“别”的声母。 |
|
c |
连词 |
取英语连词 conjunction的第1个字母。 |
|
dg |
副语素 |
副词性语素。副词代码为 d，语素代码ｇ前面置以D。 |
|
d |
副词 |
取 adverb的第2个字母，因其第1个字母已用于形容词。 |
|
e |
叹词 |
取英语叹词 exclamation的第1个字母。 |
|
f |
方位词 |
取汉字“方” |
|
g |
语素 |
绝大多数语素都能作为合成词的“词根”，取汉字“根”的声母。 |
|
h |
前接成分 |
取英语 head的第1个字母。 |
|
i |
成语 |
取英语成语 idiom的第1个字母。 |
|
j |
简称略语 |
取汉字“简”的声母。 |
|
k |
后接成分 |
|
|
l |
习用语 |
习用语尚未成为成语，有点“临时性”，取“临”的声母。 |
|
m |
数词 |
取英语 numeral的第3个字母，n，u已有他用。 |
|
Ng |
名语素 |
名词性语素。名词代码为 n，语素代码ｇ前面置以N。 |
|
n |
名词 |
取英语名词 noun的第1个字母。 |
|
nr |
人名 |
名词代码 n和“人(ren)”的声母并在一起。 |
|
ns |
地名 |
名词代码 n和处所词代码s并在一起。 |
|
nt |
机构团体 |
“团”的声母为 t，名词代码n和t并在一起。 |
|
nz |
其他专名 |
“专”的声母的第 1个字母为z，名词代码n和z并在一起。 |
|
o |
拟声词 |
取英语拟声词 onomatopoeia的第1个字母。 |
|
p |
介词 |
取英语介词 prepositional的第1个字母。 |
|
q |
量词 |
取英语 quantity的第1个字母。 |
|
r |
代词 |
取英语代词 pronoun的第2个字母,因p已用于介词。 |
|
s |
处所词 |
取英语 space的第1个字母。 |
|
tg |
时语素 |
时间词性语素。时间词代码为 t,在语素的代码g前面置以T。 |
|
t |
时间词 |
取英语 time的第1个字母。 |
|
u |
助词 |
取英语助词 auxiliary |
|
vg |
动语素 |
动词性语素。动词代码为 v。在语素的代码g前面置以V。 |
|
v |
动词 |
取英语动词 verb的第一个字母。 |
|
vd |
副动词 |
直接作状语的动词。动词和副词的代码并在一起。 |
|
vn |
名动词 |
指具有名词功能的动词。动词和名词的代码并在一起。 |
|
w |
标点符号 |
|
|
x |
非语素字 |
非语素字只是一个符号，字母 x通常用于代表未知数、符号。 |
|
y |
语气词 |
取汉字“语”的声母。 |
|
z |
状态词 |
取汉字“状”的声母的前一个字母。 |
|
un |
未知词 |
不可识别词及用户自定义词组。取英文Unkonwn首两个字母。(非北大标准，CSW分词中定义) |
