特性：

支持两种分词模式：

  • 默认模式，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，适合搜索引擎。

用法：

  • 全自动安装：easy_install jieba
  • 半自动安装：先下载http://pypi.python.org/pypi/jieba/ ，解压后运行python setup.py install
  • 手动安装：将jieba目录放置于当前目录或者site-packages目录，通过import jieba 来引用 （第一次import时需要构建Trie树，需要几秒时间）

算法：

  • 基于Trie树结构实现高效的词图扫描，生成句子中汉字构成的有向无环图（DAG)
  • 采用了记忆化搜索实现最大概率路径的计算, 找出基于词频的最大切分组合
  • 对于未登录词，采用了基于汉字位置概率的模型，使用了Viterbi算法

接口：

  • 组件只提供jieba.cut 方法用于分词
  • cut方法接受两个输入参数：
  • 1) 第一个参数为需要分词的字符串
    2) cut_all参数用来控制分词模式
  • 待分词的字符串可以是gbk字符串、utf-8字符串或者unicode
  • jieba.cut返回的结构是一个可迭代的generator，可以使用for循环来获得分词后得到的每一个词语(unicode)，也可以用list(jieba.cut(...))转化为list

代码示例：



Python代码

python文本分词处理 用python进行中文分词处理_自动安装


1. #encoding=utf-8 
2. import jieba
3. seg_list = jieba.cut("我来到北京清华大学",cut_all=True)
4. print "Full Mode:", "/ ".join(seg_list) #全模式 
5. seg_list = jieba.cut("我来到北京清华大学",cut_all=False)
6. print "Default Mode:", "/ ".join(seg_list) #默认模式 
7. seg_list = jieba.cut("他来到了网易杭研大厦")
8. print ", ".join(seg_list)



#encoding=utf-8
import jieba

seg_list = jieba.cut("我来到北京清华大学",cut_all=True)
print "Full Mode:", "/ ".join(seg_list) #全模式

seg_list = jieba.cut("我来到北京清华大学",cut_all=False)
print "Default Mode:", "/ ".join(seg_list) #默认模式

seg_list = jieba.cut("他来到了网易杭研大厦")
print ", ".join(seg_list)



输出：



代码

python文本分词处理 用python进行中文分词处理_自动安装