jieba安装

jieba是一个python开发的中文分词工具
安装方法：

  • 全自动安装：进入python安装路径，进入Scripts文件夹，使用easy_install或者pip安装
  • 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）

jieba功能

在线演示网站：http://jiebademo.ap01.aws.af.cm/

功能 1 ：分词

jieba.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参数用来控制是否采用全模式

jieba.cut_for_search方法接受一个参数

需要分词的字符串,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
注意：待分词的字符串可以是gbk字符串、utf-8字符串或者unicode

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)，也可以用list(jieba.cut(…))转化为list
代码示例：

#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) #精确模式

seg_list = jieba.cut("他来到了网易杭研大厦") #默认是精确模式
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)

结果:

【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学

【精确模式】: 我/ 来到/ 北京/ 清华大学

【新词识别】：他, 来到, 了, 网易, 杭研, 大厦    (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)

【搜索引擎模式】： 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

功能 2 ：添加自定义词典

  • 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，一部分为词语，另一部分为词频，最后为词性（可省略），用空格隔开
  • 范例：

功能 3 ：关键词提取

功能 4 : 词性标注

  • 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:
>>> 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

功能 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。

功能 6 : Tokenize：返回词语在原文的起始位置

  • 注意，输入参数只接受unicode
  • 默认模式
result = jieba.tokenize(u'永和服装饰品有限公司')
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:2
word 服装                start: 2                end:4
word 饰品                start: 4                end:6
word 有限公司            start: 6                end:10
  • 搜索模式
result = jieba.tokenize(u'永和服装饰品有限公司',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:2
word 服装                start: 2                end:4
word 饰品                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

功能 7 : ChineseAnalyzer for Whoosh搜索引擎

其他词典