jieba--做最好用的中文分词组件详解【2】（载入词典与调整词典）
写在最前面：
今天有时间，再讲一讲jieba分词的词典。
载入词典：
首先，这是原来的分词方式及其结果：
- 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
import jieba
test_sent = (
"李小福是创新办主任也是云计算方面的专家\n"
"什么是八一双鹿\n"
"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\n"
"「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。"
)
words = jieba.cut(test_sent)
print("/ ".join(words))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/ 。
加入自定义字典
云计算 5
李小福 2 nr
创新办 3 i
easy_install 3 eng
好用 300
韩玉赏鉴 3 nz
八一双鹿 3 nz
台中
凱特琳 nz
Edu Trust认证 2000载入自定义字典
jieba.load_userdict("userdict.txt")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/ 。那么这个自定义字典是如何定义的呢？
- 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
文末附词性表
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。
使用 suggest_freq(segment, tune=True) 调节单个词语的词频
import jieba
jieba.load_userdict("userdict.txt")
test_sent = (
"李小福是创新办主任也是云计算方面的专家\n"
"什么是八一双鹿\n"
"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\n"
"「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。"
)
words = jieba.cut(test_sent)
jieba.suggest_freq(('云','计算'),True)
jieba.suggest_freq(('八一','双鹿'),True)
print("/ ".join(words))
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/ 。
我们可以看到与计算、八一双鹿被手动分开了
使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典
import jieba
jieba.load_userdict("userdict.txt")
test_sent = (
"李小福是创新办主任也是云计算和石墨烯方面的专家\n"
"什么是八一双鹿\n"
"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\n"
"「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。"
)
words = jieba.cut(test_sent)
print("/ ".join(words))李小福/ 是/ 创新办/ 主任/ 也/ 是/ 云计算/ 和/ 石墨/ 烯/ 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/ 。可以看到，我自定义的字典里没有石墨烯的词，所以石墨烯没有被正确识别出来，然后我加入石墨烯。
import jieba
jieba.load_userdict("userdict.txt")
test_sent = (
"李小福是创新办主任也是云计算和石墨烯方面的专家\n"
"什么是八一双鹿\n"
"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\n"
"「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。"
)
jieba.add_word('石墨烯')
words = jieba.cut(test_sent)
print("/ ".join(words))
然后石墨烯被正确识别出来了
a 形容词
ad 副形词
an 名形词
ag 形容词性语素
al 形容词性惯用语
区别词(1个一类，2个二类)
b 区别词
bl 区别词性惯用语
连词(1个一类，1个二类)
c 连词
cc 并列连词
副词(1个一类)
d 副词
叹词(1个一类)
e 叹词
方位词(1个一类)
f 方位词
前缀(1个一类)
h 前缀
后缀(1个一类)
k 后缀
数词(1个一类，1个二类)
m 数词
mq 数量词
名词 (1个一类，7个二类，5个三类)
名词分为以下子类：
n 名词
nr 人名
nr1 汉语姓氏
nr2 汉语名字
nrj 日语人名
nrf 音译人名
ns 地名
nsf 音译地名
nt 机构团体名
nz 其它专名
nl 名词性惯用语
ng 名词性语素
拟声词(1个一类)
o 拟声词
介词(1个一类，2个二类)
p 介词
pba 介词“把”
pbei 介词“被”
量词(1个一类，2个二类)
q 量词
qv 动量词
qt 时量词
代词(1个一类，4个二类，6个三类)
r 代词
rr 人称代词
rz 指示代词
rzt 时间指示代词
rzs 处所指示代词
rzv 谓词性指示代词
ry 疑问代词
ryt 时间疑问代词
rys 处所疑问代词
ryv 谓词性疑问代词
rg 代词性语素
处所词(1个一类)
s 处所词
时间词(1个一类，1个二类)
t 时间词
tg 时间词性语素
助词(1个一类，15个二类)
u 助词
uzhe 着
ule 了 喽
uguo 过
ude1 的 底
ude2 地
ude3 得
usuo 所
udeng 等 等等 云云
uyy 一样 一般 似的 般
udh 的话
uls 来讲 来说 而言 说来
uzhi 之
ulian 连 （“连小学生都会”）
动词(1个一类，9个二类)
v 动词
vd 副动词
vn 名动词
vshi 动词“是”
vyou 动词“有”
vf 趋向动词
vx 形式动词
vi 不及物动词（内动词）
vl 动词性惯用语
vg 动词性语素
标点符号(1个一类，16个二类)
w 标点符号
wkz 左括号，全角：（ 〔 ［ ｛ 《 【 〖 〈 半角：( [ { <
wky 右括号，全角：） 〕 ］ ｝ 》 】 〗 〉 半角： ) ] { >
wyz 左引号，全角：“ ‘ 『
wyy 右引号，全角：” ’ 』
wj 句号，全角：。
ww 问号，全角：？ 半角：?
wt 叹号，全角：！ 半角：!
wd 逗号，全角：， 半角：,
wf 分号，全角：； 半角： ;
wn 顿号，全角：、
wm 冒号，全角：： 半角： :
ws 省略号，全角：…… …
wp 破折号，全角：—— －－ ——－ 半角：--- ----
wb 百分号千分号，全角：％ ‰ 半角：%
wh 单位符号，全角：￥ ＄ ￡ ° ℃ 半角：$
字符串(1个一类，2个二类)
x 字符串
xx 非语素字
xu 网址URL
语气词(1个一类)
y 语气词(delete yg)
状态词(1个一类)
z 状态词