Python第三方庫jieba（結巴-中文分詞）入門與進階（官方文檔）

標籤：協助資訊   相同   http   改變   樣本   multi   介面   ogr   topk   

jieba

“結巴”中文分詞：做最好的 Python 中文分片語件。：https://github.com/fxsjy/jieba

特點

• 支援三種分詞模式：

  • 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；
  • 搜尋引擎模式，在精確模式的基礎上，對長詞再次切分，提高召回率，適合用於搜尋引擎分詞。

• 支援繁體分詞

• 支援自訂字典

• MIT 授權協議

安裝說明

代碼對 Python 2/3 均相容

• 全自動安裝：easy_install jieba 或者 pip install jieba / pip3 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 目錄放置於目前的目錄或者 site-packages 目錄
• 通過 import jieba 來引用

演算法

• 基於首碼詞典實現高效的詞圖掃描，產生句子中漢字所有可能成詞情況所構成的有向非循環圖 (DAG)
• 採用了動態規劃尋找最大機率路徑, 找出基於詞頻的最大切分組合
• 對於未登入詞，採用了基於漢字成詞能力的 HMM 模型，使用了 Viterbi 演算法

主要功能

1. 分詞

• jieba.cut 方法接受三個輸入參數: 需要分詞的字串；cut_all 參數用來控制是否採用全模式；HMM 參數用來控制是否使用 HMM 模型
• jieba.cut_for_search 方法接受兩個參數：需要分詞的字串；是否使用 HMM 模型。該方法適合用於搜尋引擎構建倒排索引的分詞，粒度比較細
• 待分詞的字串可以是 unicode 或 UTF-8 字串、GBK 字串。注意：不建議直接輸入 GBK 字串，可能無法預料地錯誤解碼成 UTF-8
• 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 迴圈來獲得分詞後得到的每一個詞語(unicode)，或者用
• jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
• jieba.Tokenizer(dictionary=DEFAULT_DICT) 建立自訂分詞器，可用於同時使用不同詞典。jieba.dt 為預設分詞器，所有全域分詞相關函數都是該分詞器的映射。

程式碼範例

# encoding=utf-8import jiebaseg_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")  # 預設是精確模式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")  # 搜尋引擎模式print(", ".join(seg_list))

　　

輸出:

【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)【搜尋引擎模式】： 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

　　

2. 添加自訂字典

載入詞典

• 開發人員可以指定自己自訂的詞典，以便包含 jieba 詞庫裡沒有的詞。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 為檔案類對象或自訂字典的路徑
• 詞典格式和 dict.txt 一樣，一個詞佔一行；每一行分三部分：詞語、詞頻（可省略）、詞性（可省略），用空格隔開，順序不可顛倒。file_name 若為路徑或二進位方式開啟的檔案，則檔案必須為 UTF-8 編碼。
• 詞頻省略時使用自動計算的能保證分出該詞的詞頻。

例如：

創新辦 3 i雲端運算 5凱特琳 nz台中

• 更改分詞器（預設為 jieba.dt）的 tmp_dir 和 cache_file 屬性，可分別指定快取檔案所在的檔案夾及其檔案名稱，用於受限的檔案系統。

• 範例：

  • 自訂字典：https://github.com/fxsjy/jieba/blob/master/test/userdict.txt

  • 用法樣本：https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py

    • 之前： 李小福 / 是 / 創新 / 辦 / 主任 / 也 / 是 / 雲 / 計算 / 方面 / 的 / 專家 /

    • 載入自訂詞庫後：　李小福 / 是 / 創新辦 / 主任 / 也 / 是 / 雲端運算 / 方面 / 的 / 專家 /

調整詞典

• 使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程式中動態修改詞典。

• 使用 suggest_freq(segment, tune=True) 可調節單個詞語的詞頻，使其能（或不能）被分出來。

• 注意：自動計算的詞頻在使用 HMM 新詞發現功能時可能無效。

程式碼範例：

>>> print(‘/‘.join(jieba.cut(‘如果放到post中將出錯。‘, HMM=False)))如果/放到/post/中將/出錯/。>>> jieba.suggest_freq((‘中‘, ‘將‘), True)494>>> print(‘/‘.join(jieba.cut(‘如果放到post中將出錯。‘, HMM=False)))如果/放到/post/中/將/出錯/。>>> print(‘/‘.join(jieba.cut(‘「台中」正確應該不會被切開‘, HMM=False)))「/台/中/」/正確/應該/不會/被/切開>>> jieba.suggest_freq(‘台中‘, True)69>>> print(‘/‘.join(jieba.cut(‘「台中」正確應該不會被切開‘, HMM=False)))「/台中/」/正確/應該/不會/被/切開

• "通過使用者自訂字典來增強歧義錯誤修正能力" --- https://github.com/fxsjy/jieba/issues/14

3. 關鍵詞提取

基於 TF-IDF 演算法的關鍵詞抽取

import jieba.analyse

• jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
  • sentence 為待提取的文本
  • topK 為返回幾個 TF/IDF 權重最大的關鍵詞，預設值為 20
  • withWeight 為是否一併返回關鍵詞權重值，預設值為 False
  • allowPOS 僅包括指定詞性的詞，預設值為空白，即不篩選
• jieba.analyse.TFIDF(idf_path=None) 建立 TFIDF 執行個體，idf_path 為 IDF 頻率檔案

程式碼範例 （關鍵詞提取）

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

關鍵詞提取所使用逆向檔案頻率（IDF）文本語料庫可以切換成自訂語料庫的路徑

• 用法： jieba.analyse.set_idf_path(file_name) # file_name為自訂語料庫的路徑
• 自訂語料庫樣本：https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big
• 用法樣本：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.py

關鍵詞提取所使用停止詞（Stop Words）文本語料庫可以切換成自訂語料庫的路徑

• 用法： jieba.analyse.set_stop_words(file_name) # file_name為自訂語料庫的路徑
• 自訂語料庫樣本：https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt
• 用法樣本：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.py

關鍵詞一併返回關鍵詞權重值樣本

• 用法樣本：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_with_weight.py

基於 TextRank 演算法的關鍵詞抽取

• jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=(‘ns‘, ‘n‘, ‘vn‘, ‘v‘)) 直接使用，介面相同，注意預設過濾詞性。
• jieba.analyse.TextRank() 建立自訂 TextRank 執行個體

演算法論文： TextRank: Bringing Order into Texts

基本思想:

1. 將待抽取關鍵詞的文本進行分詞
2. 以固定視窗大小(預設為5，通過span屬性調整)，詞之間的共現關係，構建圖
3. 計算圖中節點的PageRank，注意是無向帶權圖

使用樣本:

見 test/demo.py

4. 詞性標註

• jieba.posseg.POSTokenizer(tokenizer=None) 建立自訂分詞器，tokenizer 參數可指定內部使用的 jieba.Tokenizer分詞器。jieba.posseg.dt 為預設詞性標註分詞器。
• 標註句子分詞後每個詞的詞性，採用和 ictclas 相容的標記法。
• 用法樣本

>>> import jieba.posseg as pseg>>> words = pseg.cut("我愛北京天安門")>>> for word, flag in words:...    print(‘%s %s‘ % (word, flag))...我 r愛 v北京 ns天安門 ns

　　

5. 並行分詞

• 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 內建的 multiprocessing 模組，目前暫不支援 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。

• 注意：並行分詞僅支援預設分詞器 jieba.dt 和 jieba.posseg.dt。

6. Tokenize：返回詞語在原文的起止位置

• 注意，輸入參數只接受 unicode
• 預設模式

result = jieba.tokenize(u‘永和服裝飾品有限公司‘)for tk in result:    print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))word 永和                start: 0                end:2word 服裝                start: 2                end:4word 飾品                start: 4                end:6word 有限公司            start: 6                end:10

　　

• 搜尋模式

result = jieba.tokenize(u‘永和服裝飾品有限公司‘, mode=‘search‘)for tk in result:    print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))word 永和                start: 0                end:2word 服裝                start: 2                end:4word 飾品                start: 4                end:6word 有限                start: 6                end:8word 公司                start: 8                end:10word 有限公司            start: 6                end:10

　　

7. ChineseAnalyzer for Whoosh 搜尋引擎

• 引用： from jieba.analyse import ChineseAnalyzer
• 用法樣本：https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py

8. 命令列分詞

使用樣本：python -m jieba news.txt > cut_result.txt

命令列選項（翻譯）：

使用: python -m jieba [options] filename結巴命令列介面。固定參數:  filename              輸入檔案選擇性參數:  -h, --help            顯示此協助資訊並退出  -d [DELIM], --delimiter [DELIM]                        使用 DELIM 分隔詞語，而不是用預設的‘ / ‘。                        若不指定 DELIM，則使用一個空格分隔。  -p [DELIM], --pos [DELIM]                        啟用詞性標註；如果指定 DELIM，詞語和詞性之間                        用它分隔，否則用 _ 分隔  -D DICT, --dict DICT  使用 DICT 代替預設詞典  -u USER_DICT, --user-dict USER_DICT                        使用 USER_DICT 作為附加詞典，與預設詞典或自訂字典配合使用  -a, --cut-all         全模式分詞（不支援詞性標註）  -n, --no-hmm          不使用隱含馬爾可夫模型  -q, --quiet           不輸出載入資訊到 STDERR  -V, --version         顯示版本資訊並退出如果沒有指定檔案名稱，則使用標準輸入。

　　

--help 選項輸出：

$> python -m jieba --helpJieba command line interface.positional arguments:  filename              input fileoptional arguments:  -h, --help            show this help message and exit  -d [DELIM], --delimiter [DELIM]                        use DELIM instead of ‘ / ‘ for word delimiter; or a                        space if it is used without DELIM  -p [DELIM], --pos [DELIM]                        enable POS tagging; if DELIM is specified, use DELIM                        instead of ‘_‘ for POS delimiter  -D DICT, --dict DICT  use DICT as dictionary  -u USER_DICT, --user-dict USER_DICT                        use USER_DICT together with the default dictionary or                        DICT (if specified)  -a, --cut-all         full pattern cutting (ignored with POS tagging)  -n, --no-hmm          don‘t use the Hidden Markov Model  -q, --quiet           don‘t print loading messages to stderr  -V, --version         show program‘s version number and exitIf no filename specified, use STDIN instead.

　　

消極式載入機制

jieba 採用消極式載入，import jieba 和 jieba.Tokenizer() 不會立即觸發詞典的載入，一旦有必要才開始載入詞典構建首碼字典。如果你想手工初始 jieba，也可以手動初始化。

import jiebajieba.initialize()  # 手動初始化（可選）

　　

在 0.28 之前的版本是不能指定主詞典的路徑的，有了消極式載入機制後，你可以改變主詞典的路徑:

jieba.set_dictionary(‘data/dict.txt.big‘)

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

其他詞典

1. 佔用記憶體較小的詞典檔案 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small

2. 支援繁體分詞更好的詞典檔案 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big

下載你所需要的詞典，然後覆蓋 jieba/dict.txt 即可；或者用 jieba.set_dictionary(‘data/dict.txt.big‘)

Python第三方庫jieba（結巴-中文分詞）入門與進階（官方文檔）