jieba分词器的使用指南

jieba中文处理

1. 基本分词函数和用法

jieba.cut和jieba.cut_for_search返回的结构都是一个可迭代的generator，可以使用for循环来获得分词后的每一个词语(unicode)
(1)jieba.cut方法接受三个输入参数**

• 需要分析的字符串
• 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

(2) 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索引的分析，粒度比较细

#encoding=utf-8
import jieba
seg_list = jieba.cut("我在学习自然语言处理",cut_all=True)
print(seg_list)
print("Full Mode:"+"/".join(seg_list)) #全模式

Full Mode:我/在/学习/自然/自然语言/语言/处理

seg_list = jieba.cut("他毕业于上海交通大学，在百度深度学习研究院进行研究",cut_all=False)
print("Default Mode:"+"/".join(seg_list)) #精确模式

Default Mode:他/毕业/于/上海交通大学/，/在/百度/深度/学习/研究院/进行/研究

seg_list = jieba.cut("他毕业于上海交通大学，在百度深度学习研究院进行研究") #默认采用的是精确模式
print("Default Mode:"+"/".join(seg_list)) #精确模式

Default Mode:他/毕业/于/上海交通大学/，/在/百度/深度/学习/研究院/进行/研究

#搜索引擎模式
seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")
print("/".join(seg_list))

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/哈佛/大学/哈佛大学/深造

• jieba.lcut和jieba.lcut_for_search直接返回list

result_lcut = jieba.lcut("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")
print(result_lcut)
print(" ".join(result_lcut))
print(" ".join(jieba.lcut_for_search("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")))

[‘小明’, ‘硕士’, ‘毕业’, ‘于’, ‘中国科学院’, ‘计算所’, ‘，’, ‘后’, ‘在’, ‘哈佛大学’, ‘深造’]
小明 硕士 毕业 于 中国科学院 计算所 ， 后 在 哈佛大学 深造
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 哈佛 大学 哈佛大学 深造

添加用户自定义字典

很多时候我们需要针对自己的场景进行分词，会有一些领域内的专有词汇。
1. 可以使用jieba.load_userdict(file_name)加载用户字典
2. 少量的词汇可以自己用下面方法实现

• 用add_word(word,freq=None,tag=none)和del_word(word)在程序中修改字典
• 用suggest_freq(segment,tune=True)可以调节单个词语的词频，使其能或者不能被分出来。

print('/'.join(jieba.cut("如果放到旧字典中将出错。",HMM=False)))

如果/放到/旧/字典/中将/出错/。

jieba.suggest_freq(('中','将'),True)
print('/'.join(jieba.cut("如果放到旧字典中将出错。",HMM=False)))

如果/放到/旧/字典/中/将/出错/。

关键词提取

1.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=())
  sentence为待提取的文本
  topK为返回的几个TF/IDF权重的关键词，默认值为20
  withWeight为是否一并返回关键词权重，默认值为False
  allowPOS仅包括指定词性的词，默认是空，即不筛选

import jieba.analyse as analyse
lines = open('NBA.txt',encoding="utf-8").read()
print(" ".join(analyse.extract_tags(lines,topK=20,withWeight=False,allowPOS=())))

韦少 杜兰特 全明星 全明星赛 MVP 威少 正赛 科尔 投篮 勇士 球员 斯布鲁克 更衣柜 NBA 三连庄 张卫平 西部 指导 雷霆 明星队
2. 基于TextRank算法的关键词提取

• jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=(‘ns’, ‘n’, ‘vn’, ‘v’)) 直接使用，接口相同，注意默认过滤词性。
• jieba.analyse.TextRank() 新建自定义 TextRank 实例
  基本思想：
  * 将待抽取关键词的文本进行分词
  * 以固定窗口大小(默认是5，通过span属性调整)，词之间的共线关系，构建图
  * 计算图中节点的PageRank，注意是无向带权图

print(" ".join(analyse.textrank(lines,topK=20,withWeight=False,allowPOS=('ns','n','vn','v'))))

全明星赛 勇士 正赛 指导 对方 投篮 球员 没有 出现 时间 威少 认为 看来 结果 相隔 助攻 现场 三连庄 介绍 嘉宾

print("  ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=('ns', 'n'))))

勇士 正赛 全明星赛 指导 投篮 玩命 时间 对方 现场 结果 球员 嘉宾 时候 全队 主持人 照片 全程 目标 快船队 肥皂剧

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。
• 具体的词性对照表参见计算所汉语词性标记集
  http://ictclas.nlpir.org/nlpir/html/readme.htm

import jieba.posseg as pseg
words = pseg.cut("我爱自然语言")
for word,flag in words:
    print('%s %s'%(word,flag))

我 r
爱 v
自然语言 l

并行分词

原理：将目标文本按行分隔后，把各个文本分配到多个Python进程并行分词，然后归并结果，从而获得分词速度的客观提升，基于Python自带的multiprocessing模块，目标不支持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
  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。
  注意：并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。

import sys
import time
import jieba
jieba.enable_parallel()
content = open(u'4447.txt',encoding='utf-8').read()
t1 = time.time()
words = "/".join(jieba.cut(content))
t2 = time.time()
time_cost = t2-t1
print('并行分词速度为 %s bytes/second' % (len(content)/time_cost))
jieba.disable_parallel()
words = "/".join(jieba.cut(content))
t2 = time.time()
time_cost = t2-t1
print('非并行分词速度为 %s bytes/second' % (len(content)/time_cost))

并行分词速度为 703507.731299789 bytes/second
非并行分词速度为 175271.90500089942 bytes/second

Tokenize:返回词语在原文中的起始位置

注意：输入参数只接收unicode

print("这是默认模式的tokenize")
result = jieba.tokenize(u'自然语言处理非常有用')
for tk in result:
    print("%s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

print("\n-----------我是神奇的分割线------------\n")

print("这是搜索模式的tokenize")
result = jieba.tokenize(u'自然语言处理非常有用', mode='search')
for tk in result:
    print("%s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

这是默认模式的tokenize
自然语言 start: 0 end:4
处理 start: 4 end:6
非常 start: 6 end:8
有用 start: 8 end:10

-----------我是神奇的分割线------------

这是搜索模式的tokenize
自然 start: 0 end:2
语言 start: 2 end:4
自然语言 start: 0 end:4
处理 start: 4 end:6
非常 start: 6 end:8
有用 start: 8 end:10

ChineseAnalyzer for Whoosh 搜索引擎

# -*- coding: UTF-8 -*-
from __future__ import unicode_literals
import sys,os
sys.path.append("../")
from whoosh.index import create_in,open_dir
from whoosh.fields import *
from whoosh.qparser import QueryParser
from jieba.analyse import ChineseAnalyzer

analyzer = ChineseAnalyzer()
schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT(stored=True, analyzer=analyzer))
    
if not os.path.exists("tmp"):
    os.mkdir("tmp")

ix = create_in("tmp", schema) # for create new index
#ix = open_dir("tmp") # for read only
writer = ix.writer()

writer.add_document(
    title="document1",
    path="/a",
    content="This is the first document we’ve added!"
)

writer.add_document(
    title="document2",
    path="/b",
    content="The second one 你 中文测试中文 is even more interesting! 吃水果"
)

writer.add_document(
    title="document3",
    path="/c",
    content="买水果然后来世博园。"
)

writer.add_document(
    title="document4",
    path="/c",
    content="工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作"
)

writer.add_document(
    title="document4",
    path="/c",
    content="咱俩交换一下吧。"
)

writer.commit()
searcher = ix.searcher()
parser = QueryParser("content", schema=ix.schema)

for keyword in ("水果世博园","你","first","中文","交换机","交换"):
    print(keyword+"的结果为如下：")
    q = parser.parse(keyword)
    results = searcher.search(q)
    for hit in results:
        print(hit.highlights("content"))
    print("\n--------------我是神奇的分割线--------------\n")

for t in analyzer("我的好朋友是李明;我爱北京天安门;IBM和Microsoft; I have a dream. this is intetesting and interested me a lot"):
    print(t.text)

Building prefix dict from the default dictionary …
Loading model from cache /tmp/jieba.cache
Loading model cost 0.514 seconds.
Prefix dict has been built succesfully.

水果世博园的结果为如下：
买水果然后来世博园

--------------我是神奇的分割线--------------

你的结果为如下：
second one 你 中文测试中文 is even more interesting

--------------我是神奇的分割线--------------

first的结果为如下：
first document we’ve added
--------------我是神奇的分割线--------------

的结果为如下：
second one 你 中文测试中文 is even more interesting

--------------我是神奇的分割线--------------

交换机的结果为如下：
干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作

--------------我是神奇的分割线--------------

交换的结果为如下：
咱俩交换一下吧
干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作

--------------我是神奇的分割线--------------

我
好
朋友
是
李明
我
爱
北京
天安
天安门
ibm
microsoft
dream
intetest
interest
me
lot