工具 | jieba分詞快速入門
jieba
"結巴"中文分詞：做最好的Python中文分片語件 "Jieba"
Feature
支持三種分詞模式：
精確模式，試圖將句子最精確地切開，適合文本分析；
全模式，把句子中所有的可以成詞的詞語都掃描出來, 速度非常快，但是不能解決歧義；
搜索引擎模式，在精確模式的基礎上，對長詞再次切分，提高召回率，適合用於搜索引擎分詞。
支持繁體分詞
支持自定義詞典
安裝
python 2.x 下的安裝
全自動安裝：easy_install jieba 或者 pip install jieba
半自動安裝：先下載
http://pypi.python.org/pypi/jieba/，解壓後運行python setup.py install
手動安裝：將jieba目錄放置於當前目錄或者site-packages目錄
通過import jieba 來引用 （第一次import時需要構建Trie樹，需要幾秒時間
Python 3.x 下的安裝
目前master分支是只支持Python2.x 的
Python3.x 版本的分支也已經基本可用：
git clone https://github.com/fxsjy/jieba.gi
tgit checkout jieba3k
python setup.py install
Algorithm
基於Trie樹結構實現高效的詞圖掃描，生成句子中漢字所有可能成詞情況所構成的有向無環圖（DAG)
採用了動態規劃查找最大概率路徑, 找出基於詞頻的最大切分組合
對於未登錄詞，
採用了基於漢字成詞能力的HMM模型，使用了Viterbi演算法
功能一：分詞
jieba.cut方法接受兩個輸入參數:
1) 第一個參數為需要分詞的字元串
2）cut_all參數用來控制是否採用全模式
jieba.cut_for_search方法接受一個參數：需要分詞的字元串,該方法適合用於搜索引擎構建倒排索引的分詞，粒度比較細
注意：待分詞的字元串可以是gbk字元串、utf-8字元串或者unicode
jieba.cut以及jieba.cut_for_search返回的結構都是一個可迭代的generator，可以使用for循環來獲得分詞後得到的每一個詞語(unicode)，也可以用list(jieba.cut(...))轉化為list
代碼示例( 分詞 )
#encoding=utf-8
import jieba
seg_list = jieba.cut("我來到北京清華大學",cut_all=True)
print "Full Mode:", "/ ".join(seg_list) #全模式
seg_list = jieba.cut("我來到北京清華大學",cut_all=False)
print "Default Mode:", "/ ".join(seg_list) #精確模式
seg_list = jieba.cut("他來到了網易杭研大廈") #默認是精確模式
print ", ".join(seg_list)
seg_list = jieba.cut_for_search("小明碩士畢業於中國科學院計算所，後在日本京都大學深造") #搜索引擎模式
print ", ".join(seg_list)
Output:
【全模式】: 我/ 來到/ 北京/ 清華/ 清華大學/ 華大/ 大學
【精確模式】: 我/ 來到/ 北京/ 清華大學
【新詞識別】：他, 來到, 了, 網易, 杭研, 大廈 (此處，「杭研」並沒有在詞典中，但是也被Viterbi演算法識別出來了)
【搜索引擎模式】： 小明, 碩士, 畢業, 於, 中國, 科學, 學院, 科學院, 中國科學院, 計算, 計算所, 後, 在, 日本, 京都, 大學, 日本京都大學, 深造
功能二：添加自定義字典
開發者可以指定自己自定義的詞典，以便包含jieba詞庫里沒有的詞。雖然jieba有新詞識別能力，但是自行添加新詞可以保證更高的正確率
用法： jieba.load_userdict(file_name) # file_name為自定義詞典的路徑
詞典格式和dict.txt一樣，一個詞佔一行；每一行分三部分，一部分為詞語，另一部分為詞頻，最後為詞性（可省略），用空格隔開
範例：
之前：
李小福 / 是 / 創新 / 辦 / 主任 / 也 / 是 / 雲 / 計算 / 方面 / 的 / 專家 /
載入自定義詞庫後：
李小福 / 是 / 創新辦 / 主任 / 也 / 是 / 雲計算 / 方面 / 的 / 專家 /
功能三：關鍵詞提取
jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse
setence為待提取的文本
topK為返回幾個TF/IDF權重最大的關鍵詞，默認值為20
代碼示例 （關鍵詞提取）
https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py
功能四：詞性標註
標註句子分詞後每個詞的詞性，採用和ictclas兼容的標記法
用法示例
>>> import jieba.posseg as pseg
>>> words =pseg.cut("我愛北京天安門")
>>> for w in words:
... print w.word,w.flag
...
我 r
愛 v
北京 ns
天安門 ns
功能五：並行分詞
標註句子分詞後每個詞的詞性，採用和ictclas兼容的標記法
原理：將目標文本按行分隔後，把各行文本分配到多個python進程並行分詞，然後歸併結果，從而獲得分詞速度的可觀提升
基於python自帶的multiprocessing模塊，目前暫不支持windows
用法：
jieba.enable_parallel(4) # 開啟並行分詞模式，參數為並行進程數jieba.disable_parallel() # 關閉並行分詞模式
例子：
https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py實驗結果：在4核3.4GHz Linux機器上，對金庸全集進行精確分詞，獲得了1MB/s的速度，是單進程版的3.3倍。
功能六：Tokenize
Tokenize：返回詞語在原文的起始位置
注意，輸入參數只接受unicode
默認模式
result = jieba.tokenize(u"永和服裝飾品有限公司")
for tk in result:
print "word %s start: %d end:%d" % (tk[0],tk[1],tk[2])
word 永和 start: 0 end:2
word 服裝 start: 2 end:4
word 飾品 start: 4 end:6
word 有限公司 start: 6 end:10
搜索模式
result = jieba.tokenize(u"永和服裝飾品有限公司",mode="search")
for tk in result:
print "word %s start: %d end:%d" % (tk[0],tk[1],tk[2])
word 永和 start: 0 end:2
word 服裝 start: 2 end:4
word 飾品 start: 4 end:6
word 有限 start: 6 end:8
word 公司 start: 8 end:10
word 有限公司 start: 6 end:10
