jieba分词

参考：
Python 中文分词组件 jiaba
Python中文分词 jieba 十五分钟入门与进阶
jieba完整文档
$好玩的分词——python jieba分词模块的基本用法

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。

主要功能：

1. 分词

• jieba.cut 方法接受三个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用 HMM 模型(是否开启HMM进行中文分词)
• jieba.cut_for_search 方法接受两个参数：需要分词的字符串；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
• 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，或者用jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
• jieba.Tokenizer(dictionary=DEFAULT_DICT) 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。

cut(self, sentence, cut_all=False, HMM=True)  # 默认精确模式
cut_for_search(self, sentence, HMM=True) # 搜索引擎模式

    import jieba
    jieba.add_word('中国科学院')

    seg_list = jieba.cut("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", cut_all=False) # 精确模式
    print(" ".join(seg_list))

    seg_list = jieba.cut("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", cut_all=True) # 全模式
    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))

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
小 明 硕士 毕业 于 中国 中国科学院 科学 科学院 学院 计算 计算所   后 在 日本 日本京都大学 京都 京都大学 大学 深造
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
note：
  全模式与搜索引擎模式下自己添加的词不起作用

2. 添加自定义词典

载入词典：

• 用法： jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径
• 词典格式和 dict.txt 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file_name 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。
• 词频省略时使用自动计算的能保证分出该词的词频。

官方范例：

• 之前： 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /
• 加载自定义词库后：　李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /
• 自定义词典：https://github.com/fxsjy/jieba/blob/master/test/userdict.txt
• 用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py

调整词典:

• 使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。
• 使用 suggest_freq(segment, tune=True) 可调节单个词语的词频，使其能（或不能）被分出来。
• 注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。

案例：

seg_list = jieba.cut("我们中出了一个叛徒", cut_all=False) 
print(" ".join(seg_list))

jieba.del_word('中出')
seg_list = jieba.cut("我们中出了一个叛徒", cut_all=False) 
print(" ".join(seg_list))

我们 中出 了 一个 叛徒
我们 中 出 了 一个 叛徒

jieba.add_word('中出')
seg_list = jieba.cut("我们中出了一个叛徒", cut_all=False) 
print(" ".join(seg_list))

jieba.suggest_freq(('中','出'),tune=True)
seg_list = jieba.cut("我们中出了一个叛徒", cut_all=False) 
print(" ".join(seg_list))

我们 中出 了 一个 叛徒
我们 中 出 了 一个 叛徒

seg_list = jieba.cut("我们中出了一个叛徒", cut_all=False) 
print(" ".join(seg_list))

jieba.suggest_freq('一个叛徒',tune=True)
seg_list = jieba.cut("我们中出了一个叛徒", cut_all=False) 
print(" ".join(seg_list))

我们 中 出 了 一个 叛徒
我们 中 出 了 一个叛徒

3.关键词提取

基于 TF-IDF 算法的关键词抽取

import jieba.analyse

• jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
• sentence 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
• withWeight 为是否一并返回关键词权重值，默认值为 False
• allowPOS 仅包括指定词性的词，默认值为空，即不筛选
• jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件

代码示例 （关键词提取）

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

关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径

• 用法： jieba.analyse.set_idf_path(file_name) # file_name为自定义语料库的路径
• 自定义语料库示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big
• 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.py

关键词提取所使用停止词（Stop Words）文本语料库可以切换成自定义语料库的路径

• 用法： jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径
• 自定义语料库示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt
• 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.py

关键词一并返回关键词权重值示例

• 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_with_weight.py

import jieba
from jieba import analyse

text_full_path = r'C:\Users\jjj\Desktop/123.txt' #设置要分析的文本路径
text = open(text_full_path, encoding='utf-8').read()
for key in analyse.extract_tags(text,50, withWeight=True):
# 使用jieba.analyse.extract_tags()参数提取关键字,默认参数为50
    print(key)
    # 设置输出编码为utf-8不然在因为win下控制台默认中文字符集为gbk,所以会出现乱码
    # 当withWeight=True时,将会返回number类型的一个权重值(TF-IDF)

基于 TextRank 算法的关键词抽取

• jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) 直接使用，接口相同，注意默认过滤词性。
• jieba.analyse.TextRank() 新建自定义 TextRank 实例

算法论文： TextRank: Bringing Order into Texts

基本思想:

1. 将待抽取关键词的文本进行分词
2. 以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图
3. 计算图中节点的PageRank，注意是无向带权

使用示例:

见 test/demo.py

4. 词性获取

• jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器，tokenizer 参数可指定内部使用的jieba.Tokenizer 分词器。jieba.posseg.dt 为默认词性标注分词器。
• 标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法。

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

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。

• 注意：并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。

附：结巴分词词性对照表（按词性英文首字母排序）

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

区别词(1个一类，2个二类)

• b 区别词

• bl 区别词性惯用语

连词(1个一类，1个二类)

• c 连词

• cc 并列连词

副词(1个一类)

• d 副词

叹词(1个一类)

• e 叹词

方位词(1个一类)

• f 方位词

前缀(1个一类)

• h 前缀

后缀(1个一类)

• k 后缀

数词(1个一类，1个二类)

• m 数词

• mq 数量词

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

拟声词(1个一类)

• o 拟声词

介词(1个一类，2个二类)

• p 介词

• pba 介词“把”

• pbei 介词“被”

量词(1个一类，2个二类)

• q 量词

• qv 动量词

• qt 时量词

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

处所词(1个一类)

• s 处所词

时间词(1个一类，1个二类)

• t 时间词

• tg 时间词性语素

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”）

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

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：$

字符串(1个一类，2个二类)

• x 字符串

• xx 非语素字

• xu 网址URL

语气词(1个一类)

• y 语气词(delete yg)

状态词(1个一类)

• z 状态词