下載下傳安裝結巴分詞
-
Python 2.x 下的安裝
全自動安裝 :
或者easy_install jieba
半自動安裝 :先下載下傳http://pypi.python.org/pypi/jieba/ ,解壓後運作pip install jieba
python setup.py install
手動安裝 :将jieba目錄放置于目前目錄或者site-packages目錄
通過import jieba 來引用
-
Python 3.x 下的安裝
目前master分支是隻支援Python2.x 的
Python3.x 版本的分支也已經基本可用: https://github.com/fxsjy/jieba/tree/jieba3k
git clone https://github.com/fxsjy/jieba.git git checkout jieba3k python setup.py install
算法實作:
基于Trie樹結構實作高效的詞圖掃描,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)
采用了動态規劃查找最大機率路徑, 找出基于詞頻的最大切分組合
對于未登入詞,采用了基于漢字成詞能力的HMM模型,使用了Viterbi算法
功能
功能1):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
參數用來控制是否采用全模式
jieba.cut_for_search方法接受一個參數:需要分詞的字元串,該方法适合用于搜尋引擎建構反向索引的分詞,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
傳回的結構都是一個可疊代的
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) # 精确模式
seg_list = jieba.cut("他來到了網易杭研大廈") # 預設是精确模式
print ", ".join(seg_list)
seg_list = jieba.cut_for_search("小明碩士畢業于中國科學院計算所,後在日本京都大學深造") # 搜尋引擎模式
print ", ".join(seg_list)
Output:
【全模式】: 我/ 來到/ 北京/ 清華/ 清華大學/ 華大/ 大學
【精确模式】: 我/ 來到/ 北京/ 清華大學
【新詞識别】:他, 來到, 了, 網易, 杭研, 大廈 (此處,“杭研”并沒有在詞典中,但是也被Viterbi算法識别出來了)
【搜尋引擎模式】: 小明, 碩士, 畢業, 于, 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 2) :添加自定義詞典
開發者可以指定自己自定義的詞典,以便包含jieba詞庫裡沒有的詞。雖然jieba有新詞識别能力,但是自行添加新詞可以保證更高的正确率
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,一個詞占一行;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:
自定義詞典:
雲計算 5
李小福 2 nr
創新辦 3 i
easy_install 3 eng
好用 300
韓玉賞鑒 3 nz
用法示例:
#encoding=utf-8
import sys
sys.path.append("../")
import jieba
jieba.load_userdict("userdict.txt")
import jieba.posseg as pseg
test_sent = "李小福是創新辦主任也是雲計算方面的專家;"
test_sent += "例如我輸入一個帶“韓玉賞鑒”的标題,在自定義詞庫中也增加了此詞為N類型"
words = jieba.cut(test_sent)
for w in words:
print w
result = pseg.cut(test_sent)
for w in result:
print w.word, "/", w.flag, ", ",
print "\n========"
terms = jieba.cut('easy_install is great')
for t in terms:
print t
print '-------------------------'
terms = jieba.cut('python 的正規表達式是好用的')
for t in terms:
print t
之前:
李小福 / 是 / 創新 / 辦 / 主任 / 也 / 是 / 雲 / 計算 / 方面 / 的 / 專家 /
加載自定義詞庫後:
李小福 / 是 / 創新辦 / 主任 / 也 / 是 / 雲計算 / 方面 / 的 / 專家 /
“通過使用者自定義詞典來增強歧義糾錯能力” — https://github.com/fxsjy/jieba/issues/14
功能 3) :關鍵詞提取
jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse
說明
setence為待提取的文本
topK為傳回幾個TF/IDF權重最大的關鍵詞,預設值為20
代碼示例 (關鍵詞提取)
import sys
sys.path.append('../')
import jieba
import jieba.analyse
from optparse import OptionParser
USAGE = "usage: python extract_tags.py [file name] -k [top k]"
parser = OptionParser(USAGE)
parser.add_option("-k", dest="topK")
opt, args = parser.parse_args()
if len(args) < :
print USAGE
sys.exit()
file_name = args[]
if opt.topK is None:
topK =
else:
topK = int(opt.topK)
content = open(file_name, 'rb').read()
tags = jieba.analyse.extract_tags(content, topK=topK)
print ",".join(tags)
功能 4) : 詞性标注
标注句子分詞後每個詞的詞性,采用和ictclas相容的标記法
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 5) : 并行分詞
原理:将目标文本按行分隔後,把各行文本配置設定到多個python程序并行分詞,然後歸并結果,進而獲得分詞速度的可觀提升
基于python自帶的multiprocessing子產品,目前暫不支援windows
用法:
jieba.enable_parallel(4) # 開啟并行分詞模式,參數為并行程序數
jieba.disable_parallel() # 關閉并行分詞模式
例子:
import urllib2
import sys,time
import sys
sys.path.append("../../")
import jieba
jieba.enable_parallel()
url = sys.argv[]
content = open(url,"rb").read()
t1 = time.time()
words = list(jieba.cut(content))
t2 = time.time()
tm_cost = t2-t1
log_f = open("1.log","wb")
for w in words:
print >> log_f, w.encode("utf-8"), "/" ,
print 'speed' , len(content)/tm_cost, " bytes/second"
實驗結果:在4核3.4GHz Linux機器上,對金庸全集進行精确分詞,獲得了1MB/s的速度,是單程序版的3.3倍。
其他詞典
占用記憶體較小的詞典檔案 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small
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
下載下傳你所需要的詞典,然後覆寫jieba/dict.txt 即可或者用jieba.set_dictionary(‘data/dict.txt.big’)
子產品初始化機制的改變:lazy load (從0.28版本開始)
jieba采用延遲加載,”import jieba”不會立即觸發詞典的加載,一旦有必要才開始加載詞典建構trie。如果你想手工初始jieba,也可以手動初始化。
import jieba
jieba.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,有了延遲加載機制後,你可以改變主詞典的路徑:
jieba.set_dictionary(‘data/dict.txt.big’)
例子:
#encoding=utf-8
import sys
sys.path.append("../")
import jieba
def cuttest(test_sent):
result = jieba.cut(test_sent)
print " ".join(result)
def testcase():
cuttest("這是一個伸手不見五指的黑夜。我叫孫悟空,我愛北京,我愛Python和C++。")
cuttest("我不喜歡日本和服。")
cuttest("雷猴回歸人間。")
cuttest("工信處女幹事每月經過下屬科室都要親口交代24口交換機等技術性器件的安裝工作")
cuttest("我需要廉租房")
cuttest("永和服裝飾品有限公司")
cuttest("我愛北京天安門")
cuttest("abc")
cuttest("隐馬爾可夫")
cuttest("雷猴是個好網站")
if __name__ == "__main__":
testcase()
jieba.set_dictionary("foobar.txt")
print "================================"
testcase()