基于python中jieba包的中文分词中详细使用（一）

01.前言

之前的文章中也是用过一些jieba分词但是基本上都是处于皮毛，现在就现有的python环境中对其官方文档做一些自己的理解以及具体的介绍。本文主要内容也是从官网文档中获取。

02.jieba的介绍

02.1 What

“jieba” （Chinese for “to stutter”）Chiese text segmention:built to be the best Python Chinse word segmenmtation module.
“jieba”中文分词：做最好的Python中文分词组件

02.2特点

• 支持三种分词模式：
  精确模式，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处理，速度非常快，但是不能解决歧义；
  搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于引擎分词。
• 支持繁体分词
• 支持自定义词典
• MIT授权协议

02.3安装与使用

鉴于当前提供各大包的组织逐渐放弃对Python2的维护，这里也强烈建议使用Python3。jieba分词的安装也是很简单的。
全自动安装的方式：pip install jieba (window环境) pip3 install jieba (Linux环境)；
使用的方式：import jieba

02.4涉及到的算法

• 基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)
• 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
• 对于未登录词，采用了基于汉字成词能力的 HMM (隐马尔科夫)模型，使用了 Viterbi 算法

03.主要功能

03.01分词

• jieba.cut 方法接受三个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用 HMM 模型
• jieba.cut_for_search 方法接受两个参数：需要分词的字符串；是否使用 HMM 模型。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
• 待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8
• 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)，或者用
• jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
• jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器，可用于同时使用不同词典。jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。
  代码实例

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Date    : 2018-05-05 22:15:13
# @Author  : JackPI (1129501586@qq.com)
# @Link    : https://blog.csdn.net/meiqi0538
# @Version : $Id$
import jieba

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

seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("精准模式: " + "/ ".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))

输出结果

Building prefix dict from the default dictionary ...
Loading model from cache C:UsersJACKPI~1AppDataLocalTempjieba.cache
Loading model cost 1.026 seconds.
Prefix dict has been built succesfully.
全模式: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
精准模式: 我/ 来到/ 北京/ 清华大学
他, 来到, 了, 网易, 杭研, 大厦
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
[Finished in 1.7s]

03.02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 为文件类对象或自定义词典的路径
• 词典格式和 dict.txt 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file_name 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。
• 词频省略时使用自动计算的能保证分出该词的词频
  添加自定义字典举例

创新办 3 i
云计算 5
凱特琳 nz
台中

• 更改分词器（默认为 jieba.dt）的 tmp_dir 和 cache_file 属性，可分别指定缓存文件所在的文件夹及其文件名，用于受限的文件系统。
  使用案例

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Date    : 2018-05-05 22:15:13
# @Author  : JackPI (1129501586@qq.com)
# @Link    : https://blog.csdn.net/meiqi0538
# @Version : $Id$
#导入jieba包
import jieba
#管理系统路径
import sys
sys.path.append("../")
#获取自定义词典
jieba.load_userdict("userdict.txt")
#导入词性标注的包
import jieba.posseg as pseg

#添加词
jieba.add_word("石墨烯")
jieba.add_word("凱特琳")
#删除词
jieba.del_word("自定义词")
#元组类型的测试数据
test_sent = (
"李小福是创新办主任也是云计算方面的专家; 什么是八一双鹿
"
"例如我输入一个带“韩玉赏鉴”的标题，在自定义词库中也增加了此词为N类
"
"「台中」正確應該不會被切開。mac上可分出「石墨烯」；此時又可以分出來凱特琳了。"
)
#默认分词
words = jieba.cut(test_sent)
print("/".join(words))#使用/把分词的结果分开

print("="*40)
#用于词性标注
result = pseg.cut(test_sent)
#使用for循环把分出的词及其词性用/隔开，并添加，和空格
for w in result:
    print(w.word, "/", w.flag, ", ", end=" ")

print("
" + "="*40)

#对英文的分割
terms = jieba.cut("easy_install is great")
print("/".join(terms))
#对英文和汉字的分割
terms = jieba.cut("python 的正则表达式是好用的")
print("/".join(terms))

print("="*40)
# test frequency tune
testlist = [
("今天天气不错", ("今天", "天气")),
("如果放到post中将出错。", ("中", "将")),
("我们中出了一个叛徒", ("中", "出")),
]

for sent, seg in testlist:
    print("/".join(jieba.cut(sent, HMM=False)))
    word = "".join(seg)
    print("%s Before: %s, After: %s" % (word, jieba.get_FREQ(word), jieba.suggest_freq(seg, True)))
    print("/".join(jieba.cut(sent, HMM=False)))
    print("-"*40)

结果

Building prefix dict from the default dictionary ...
Loading model from cache C:UsersJACKPI~1AppDataLocalTempjieba.cache
Loading model cost 1.063 seconds.
Prefix dict has been built succesfully.
李小福/是/创新办/主任/也/是/云计算/方面/的/专家/;/ /什么/是/八一双鹿/
/例如/我/输入/一个/带/“/韩玉赏鉴/”/的/标题/，/在/自定义/词库/中/也/增加/了/此/词为/N/类/
/「/台中/」/正確/應該/不會/被/切開/。/mac/上/可/分出/「/石墨烯/」/；/此時/又/可以/分出/來/凱特琳/了/。
========================================
李小福 / nr ,  是 / v ,  创新办 / i ,  主任 / b ,  也 / d ,  是 / v ,  云计算 / x ,  方面 / n ,  的 / uj ,  专家 / n ,  ; / x ,    / x ,  什么 / r ,  是 / v ,  八一双鹿 / nz ,  
 / x ,  例如 / v ,  我 / r ,  输入 / v ,  一个 / m ,  带 / v ,  “ / x ,  韩玉赏鉴 / nz ,  ” / x ,  的 / uj ,  标题 / n ,  ， / x ,  在 / p ,  自定义 / l ,  词库 / n ,  中 / f ,  也 / d ,  增加 / v ,  了 / ul ,  此 / r ,  词 / n ,  为 / p ,  N / eng ,  类 / q ,  
 / x ,  「 / x ,  台中 / s ,  」 / x ,  正確 / ad ,  應該 / v ,  不 / d ,  會 / v ,  被 / p ,  切開 / ad ,  。 / x ,  mac / eng ,  上 / f ,  可 / v ,  分出 / v ,  「 / x ,  石墨烯 / x ,  」 / x ,  ； / x ,  此時 / c ,  又 / d ,  可以 / c ,  分出 / v ,  來 / zg ,  凱特琳 / nz ,  了 / ul ,  。 / x ,  
========================================
easy_install/ /is/ /great
python/ /的/正则表达式/是/好用/的
========================================
今天天气/不错
今天天气 Before: 3, After: 0
今天/天气/不错
----------------------------------------
如果/放到/post/中将/出错/。
中将 Before: 763, After: 494
如果/放到/post/中/将/出错/。
----------------------------------------
我们/中/出/了/一个/叛徒
中出 Before: 3, After: 3
我们/中/出/了/一个/叛徒
----------------------------------------
[Finished in 2.6s]

03.02调整词典

• 使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。
• 使用 suggest_freq(segment, tune=True) 可调节单个词语的词频，使其能（或不能）被分出来。
• 注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。

>>> print("/".join(jieba.cut("如果放到post中将出错。", HMM=False)))
如果/放到/post/中将/出错/。
>>> jieba.suggest_freq(("中", "将"), True)
494
>>> print("/".join(jieba.cut("如果放到post中将出错。", HMM=False)))
如果/放到/post/中/将/出错/。
>>> print("/".join(jieba.cut("「台中」正确应该不会被切开", HMM=False)))
「/台/中/」/正确/应该/不会/被/切开
>>> jieba.suggest_freq("台中", True)
69
>>> print("/".join(jieba.cut("「台中」正确应该不会被切开", HMM=False)))
「/台中/」/正确/应该/不会/被/切开

基于python中jieba包的中文分词中详细使用（二）

02.关键词提取

02.01基于TF-IDF算法的关键词提取

import jieba.analyse

• jieba.analyse.extract_tags(sentence, topK=20, withWeight=False,
  allowPOS=())
  其中需要说明的是：
  1.sentence 为待提取的文本
  2.topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20
  3.withWeight 为是否一并返回关键词权重值，默认值为 False
  4.allowPOS 仅包括指定词性的词，默认值为空，即不筛选
• jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件

代码示例

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Date    : 2018-05-05 22:15:13
# @Author  : JackPI (1129501586@qq.com)
# @Link    : https://blog.csdn.net/meiqi0538
# @Version : $Id$
import jieba
import jieba.analyse
#读取文件,返回一个字符串，使用utf-8编码方式读取，该文档位于此python同以及目录下
content  = open("人民的名义.txt","r",encoding="utf-8").read()
tags = jieba.analyse.extract_tags(content,topK=10) 
print(",".join(tags))

运行结果

Building prefix dict from the default dictionary ...
Dumping model to file cache C:UsersJACKPI~1AppDataLocalTempjieba.cache
Loading model cost 1.280 seconds.
Prefix dict has been built succesfully.
侯亮,李达康,高育良,祁同伟,高小琴,瑞金,陈海,老师,丁义珍,成功
[Finished in 5.9s]

关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径

• 用法： jieba.analyse.set_idf_path(file_name) # file_name为自定义语料库的路径
• 自定义语料库示例
  劳动防护 13.900677652 勞動防護 13.900677652 生化学 13.900677652 生化學 13.900677652 奥萨贝尔 13.900677652 奧薩貝爾 13.900677652 考察队员 13.900677652 考察隊員 13.900677652 岗上 11.5027823792 崗上 11.5027823792 倒车档 12.2912397395 倒車檔 12.2912397395 编译 9.21854642485 編譯 9.21854642485 蝶泳 11.1926274509 外委 11.8212361103
• 用法示例

import jieba
import jieba.analyse
#读取文件,返回一个字符串，使用utf-8编码方式读取，该文档位于此python同以及目录下
content  = open("idf.txt.big","r",encoding="utf-8").read()
tags = jieba.analyse.extract_tags(content, topK=10)
print(",".join(tags))

结果

Building prefix dict from the default dictionary ...
Loading model from cache C:UsersJACKPI~1AppDataLocalTempjieba.cache
Loading model cost 1.186 seconds.
Prefix dict has been built succesfully.
13.2075304714,13.900677652,12.8020653633,12.5143832909,12.2912397395,12.1089181827,11.9547675029,11.8212361103,11.7034530746,11.598092559
[Finished in 20.9s]

关键词提取所使用停止词（Stop Words）文本语料库可以切换成自定义语料库的路径

• 用法： jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径
• 自定义语料库示例：

!
"
#
$
%
&
"
(
)
*
+
,
-
--
.
..
...
......
...................
./
.一
记者
数
年
月
日
时
分
秒
/
//
0
1
2
3
4

• 用法示例

import jieba
import jieba.analyse
#读取文件,返回一个字符串，使用utf-8编码方式读取，该文档位于此python同以及目录下
content  = open(u"人民的名义.txt","r",encoding="utf-8").read()
jieba.analyse.set_stop_words("stopwords.txt")
tags = jieba.analyse.extract_tags(content, topK=10)
print(",".join(tags))

结果

Building prefix dict from the default dictionary ...
Loading model from cache C:UsersJACKPI~1AppDataLocalTempjieba.cache
Loading model cost 1.316 seconds.
Prefix dict has been built succesfully.
侯亮,李达康,高育良,祁同伟,高小琴,瑞金,陈海,老师,丁义珍,成功
[Finished in 5.2s]

关键词一并返回关键词权重值示例

import jieba
import jieba.analyse
#读取文件,返回一个字符串，使用utf-8编码方式读取，该文档位于此python同以及目录下
content  = open(u"人民的名义.txt","r",encoding="utf-8").read()
jieba.analyse.set_stop_words("stopwords.txt")
tags = jieba.analyse.extract_tags(content, topK=10,withWeight=True)
for tag in tags:
	print("tag:%s		 weight:%f"%(tag[0],tag[1]))

结果

Building prefix dict from the default dictionary ...
Loading model from cache C:UsersJACKPI~1AppDataLocalTempjieba.cache
Loading model cost 1.115 seconds.
Prefix dict has been built succesfully.
tag:侯亮		 weight:0.257260
tag:李达康		 weight:0.143901
tag:高育良		 weight:0.108856
tag:祁同伟		 weight:0.098479
tag:高小琴		 weight:0.062259
tag:瑞金		 weight:0.060405
tag:陈海		 weight:0.054036
tag:老师		 weight:0.051980
tag:丁义珍		 weight:0.049729
tag:成功		 weight:0.046647
[Finished in 5.3s]

02.02词性标注

• jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器，tokenizer
  参数可指定内部使用的 jieba.Tokenizer 分词器。 jieba.posseg.dt 为默认词性标注分词器。
• 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 word, flag in words:
...    print("%s %s" % (word, flag))
...
我 r
爱 v
北京 ns
天安门 ns

词性对照表