jieba——分词、添加词典、词性标注、Tokenize
jieba——分词、添加词典、词性标注、Tokenize
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 -
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(unicode),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。
测试代码示例:
# encoding=utf-8
import jieba
seg_list = jieba.cut("杭州的西湖像一颗光彩夺目的明珠。", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list)) # 全模式
seg_list = jieba.cut("猛兽总是独行,牛羊才成群结队。", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list)) # 精确模式
seg_list = jieba.cut("知我者谓我心忧,不知我者谓我何求!") # 默认是精确模式
print("New word recognition: " +"/".join(seg_list))
seg_list = jieba.cut_for_search("轻轻的我走了,正如我轻轻的来;我轻轻的招手,作别西天的云彩。") # 搜索引擎模式
print("Search engine mode: " +"/".join(seg_list))
结果示意图:
2.添加自定义词典
载入词典
-
开发者可以指定自己自定义的词典,以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力,但是自行添加新词可以保证更高的正确率
-
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。注意:在保存userdict.txt文件时应使用UTF-8的编码格式:
-
词频省略时使用自动计算的能保证分出该词的词频。
词典内容如下:
云计算 5
李小福 2 nr
创新办 3 i
easy_install 3 eng
好用 300
韩玉赏鉴 3 nz
八一双鹿 3 nz
台中
凱特琳 nz
Edu Trust认证 2000
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。
对字典进行调整示例:
3.词性标注
-
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。
- 用法示例
4.Tokenize
- 返回词语在原文的起止位置
- 此功能输入参数只接受 unicode
- 默认模式
- 搜索模式
代码:
#encoding=utf-8
from __future__ import unicode_literals #将模块中显式出现的所有字符串转为unicode类型
import jieba
result = jieba.tokenize('永和服装饰品有限公司') #默认模式进行分词,Tokenize: 返回词语在原文的起止位置
print("默认模式为:")
for tk in result:
print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
result = jieba.tokenize(u'永和服装饰品有限公司', mode='search')
print("搜索模式为:")
for tk1 in result:
print("word %s\t\t start: %d \t\t end:%d" % (tk1[0],tk1[1],tk1[2]))
运行后所得结果为:
5.实现代码
上述功能代码示例:
#encoding=utf-8
from __future__ import print_function, unicode_literals
import sys
sys.path.append("../")
import jieba
jieba.load_userdict("userdict.txt")
import jieba.posseg as pseg
jieba.add_word('石墨烯')
jieba.add_word('凱特琳')
jieba.del_word('自定义词')
test_sent = (
"李小福是创新办主任也是云计算方面的专家; 什么是八一双鹿\n"
"例如我输入一个带“韩玉赏鉴”的标题,在自定义词库中也增加了此词为N类\n"
"「台中」正確應該不會被切開。mac上可分出「石墨烯」;此時又可以分出來凱特琳了。"
)
words = jieba.cut(test_sent)
print('/'.join(words))
print("="*40)
result = pseg.cut(test_sent)
for w in result:
print(w.word, "/", w.flag, ", ", end=' ')
print("\n" + "="*40)
terms = jieba.cut('easy_install is great')
print('/'.join(terms))
terms = jieba.cut('python 的正则表达式是好用的')
print('/'.join(terms))
print("="*40)
# test frequency tune
testlist = [
('今天天气不错', ('今天', '天气')),
('如果放到post中将出错。', ('中', '将')),
('我们中出了一个叛徒', ('中', '出')),
]
for sent, seg in testlist:
print('/'.join(jieba.cut(sent, HMM=False)))
word = ''.join(seg)
print('%s Before: %s, After: %s' % (word, jieba.get_FREQ(word), jieba.suggest_freq(seg, True)))
print('/'.join(jieba.cut(sent, HMM=False)))
print("-"*40)
使用字典前:
使用字典后所得结果为:
6.命令行分词
在命令窗口中输入如下语句对《西游记》进行分词处理:
python -m jieba xiyouji.txt >xiyouji_cutcopy.txt
实现分词原文件:
运行后可得下图:
所得分词文件如下图: