Python 自然语言处理 入门—关于jieba库的使用

1. 什么是jiaba库

jieba 是一个python实现的分词库，对中文有着很强大的分词能力。
git链接：https://github.com/fxsjy/jieba

2. jieba库的优点

1 支持三种分词模式：
a. 精确模式，试图将句子最精确地切开，适合文本分析；
b. 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；
c. 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，适合用于搜索引擎分词。

2 支持自定义词典

3. 关于jiaba库的基本功能

demo1：分词

#coding:utf-8
import jieba

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

2017-03-06 15-01-20屏幕截图.png

demo2 : 加入自定义字典

#coding:utf-8
import jieba

jieba.load_userdict("dict.txt")
words=jieba.cut("他来到了网易杭研大厦")
print "/".join(words)
print type(words)

自定义的词典 dict.txt

杭研大厦 100 n

自定义的词典一行上面有三列，第二个是指出现的次数，第三个是词性

运行结果：

2017-03-06 15-13-44屏幕截图.png

也就是说杭研大厦被看作为了一个整体。

demo3：允许程序在运行的时候，动态的修改词典

#coding:utf-8
import jieba
words =jieba.cut("我们中出了一个叛徒",HMM=False)
#jieba.suggest_freq(('中出'),True)
print '/'.join(words)

2017-03-06 17-54-31屏幕截图.png

使用 suggest_freq(segment, tune=True) 可调节单个词语的词频，使其（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。

#coding:utf-8
import jieba
words =jieba.cut("我们中出了一个叛徒",HMM=False)
jieba.suggest_freq(('中出'),True)
#jieba.suggest_freq(('中','出'),True)
print '/'.join(words)

2017-03-06 17-56-35屏幕截图.png

demo4: 关键词提取

demo5:词性标注

#coding:utf-8
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))

2017-03-06 18-07-03屏幕截图.png

demo5：三种模式的分词

# 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))

运行结果：

2017-03-06 18-10-06屏幕截图.png