Python中文分词--jieba的基本使用

中文分词的原理

1、中文分词(Chinese Word Segmentation) 

指的是将一个汉字序列切分成一个一个单独的词。

分词就是将连续的字序列按照一定的规范重新组合成词序列的过程

2、现有的分词算法可分为三大类：基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法

1. 基于字符串匹配的分词方法：这种方法又叫做机械分词方法，
2. 它是按照一定的策略将待分析的汉字串与一个“充分大的”机器词典中的词条进行配，
3.  
4. 若在词典中找到某个字符串，则匹配成功（识别出一个词）
5. 1）正向最大匹配法（由左到右的方向）
6. 2）逆向最大匹配法（由右到左的方向）:
7. 3）最少切分（使每一句中切出的词数最小）
8. 4）双向最大匹配法（进行由左到右、由右到左两次扫描）
9.  
10. 基于理解的分词方法：这种分词方法是通过让计算机模拟人对句子的理解，达到识别词的效果。
11. 其基本思想就是在分词的同时进行句法、语义分析，利用句法信息和语义信息来处理歧义现象。
12. 它通常包括三个部分：分词子系统、句法语义子系统、总控部分。
13. 在总控部分的协调下，分词子系统可以获得有关词、句子等的句法和语义信息来对分词歧义进行判断，
14. 即它模拟了人对句子的理解过程。这种分词方法需要使用大量的语言知识和信息。
15. 由于汉语语言知识的笼统、复杂性，难以将各种语言信息组织成机器可直接读取的形式，
16. 因此目前基于理解的分词系统还处在试验阶段。
17.  
18. 基于统计的分词方法：给出大量已经分词的文本，利用统计机器学习模型学习词语切分的规律（称为训练），
19. 从而实现对未知文本的切分。
20. 例如最大概率分词方法和最大熵分词方法等。
21. 随着大规模语料库的建立，统计机器学习方法的研究和发展，基于统计的中文分词方法渐渐成为了主流方法。
22.  
23. 主要统计模型：N元文法模型（N-gram），隐马尔可夫模型（Hidden Markov Model ，HMM），最大熵模型（ME），
24. 条件随机场模型（Conditional Random Fields，CRF）等。

 

结巴分词：

1. github:https://github.com/fxsjy/jieba
2. 开源中国地址:http://www.oschina.net/p/jieba/?fromerr=LRXZzk9z

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出来, 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，适合用于搜索引擎分词。
• 支持繁体分词
• 支持自定义词典
• MIT 授权协议

在线演示

1. jiebademo
2. (Powered by Appfog)
3. 网站代码：https://github.com/fxsjy/jiebademo

 

安装说明

---

代码对 Python 2/3 均兼容

• 全自动安装：easy_install jieba 或者pip install jieba / pip3 install jieba
• 半自动安装：先下载 http://pypi.python.org/pypi/jieba/ ，解压后运行 python setup.py install
• 手动安装：将 jieba 目录放置于当前目录或者 site-packages 目录
• 通过 import jieba 来引用

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 模型，使用了 Viterbi 算法

主要功能

---

1. 分词

• jieba.cut 

   

  1. 方法接收三个输入参数: 
  2. 需要分词的字符串；
  3. cut_all 参数用来控制是否采用全模式；
  4. HMM 参数用来控制是否使用 HMM 模型
• jieba.cut_for_search 

   

  1. 方法接收两个参数：
  2. 需要分词的字符串；
  3. 是否使用 HMM 模型。
  4.  
  5. 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

1. jieba.cut以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator，
2. 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) 

   

  1. 新建自定义分词器，可用于同时使用不同词典。
  2. 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。

代码示例

 

1. # encoding=utf-8
2. import jieba
3.  
4. seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
5. print("Full Mode: " + "/ ".join(seg_list)) # 全模式
6.  
7. seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
8. print("Default Mode: " + "/ ".join(seg_list)) # 精确模式
9.  
10. seg_list = jieba.cut("他来到了网易杭研大厦") # 默认是精确模式
11. print(", ".join(seg_list))
12.  
13. 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
14. print(", ".join(seg_list))

 

 

输出:

1. 【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
2.  
3. 【精确模式】: 我/ 来到/ 北京/ 清华大学
4.  
5. 【新词识别】：他, 来到, 了, 网易, 杭研, 大厦 (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)
6.  
7. 【搜索引擎模式】： 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,
8. 在, 日本, 京都, 大学, 日本京都大学, 深造

 

 

2. 添加自定义词典

---

载入词典

• 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。

例如：

1. 创新办 3 i
2. 云计算 5
3. 凱特琳 nz
4. 台中

 

更改分词器

• 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。
• 范例：
  • 自定义词典：https://github.com/fxsjy/jieba/blob/master/test/userdict.txt
  • 用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py
    • 之前： 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /
    • 加载自定义词库后：　李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /

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。

 

代码示例：

 

1. >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
2. 如果/放到/post/中将/出错/。
3. >>> jieba.suggest_freq(('中', '将'), True)
4. 494
5. >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
6. 如果/放到/post/中/将/出错/。
7. >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
8. 「/台/中/」/正确/应该/不会/被/切开
9. >>> jieba.suggest_freq('台中', True)
10. 69
11. >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
12. 「/台中/」/正确/应该/不会/被/切开

 

 

• "通过用户自定义词典来增强歧义纠错能力" --- https://github.com/fxsjy/jieba/issues/14

3. 关键词提取

---

基于 TF-IDF 算法的关键词抽取

import jieba.analyse

• jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
  • sentence 为待提取的文本
  • topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20
  • withWeight 为是否一并返回关键词权重值，默认值为 False
  • 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 （关键词提取）

 

1. https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py
2. 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
3. 用法： jieba.analyse.set_idf_path(file_name) # file_name为自定义语料库的路径
4. 自定义语料库示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big
5. 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.py
6.  
7. 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
8. 用法： jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径
9. 自定义语料库示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt
10. 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.py
11.  
12. 关键词一并返回关键词权重值示例
13. 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_with_weight.py

 

 

 

基于 TextRank 算法的关键词抽取

• 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
  算法论文： TextRank: Bringing Order into Texts

  基本思想:

  1. 将待抽取关键词的文本进行分词
  2. 以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图
  3. 计算图中节点的PageRank，注意是无向带权图

使用示例:

 

1. #encoding=utf-8
2. from __future__ import unicode_literals
3. import sys
4. sys.path.append("../")
5.  
6. import jieba
7. import jieba.posseg
8. import jieba.analyse
9.  
10. print('='*40)
11. print('1. 分词')
12. print('-'*40)
13.  
14. seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
15. print("Full Mode: " + "/ ".join(seg_list)) # 全模式
16.  
17. seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
18. print("Default Mode: " + "/ ".join(seg_list)) # 默认模式
19.  
20. seg_list = jieba.cut("他来到了网易杭研大厦")
21. print(", ".join(seg_list))
22.  
23. 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
24. print(", ".join(seg_list))
25.  
26. print('='*40)
27. print('2. 添加自定义词典/调整词典')
28. print('-'*40)
29.  
30. print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
31. #如果/放到/post/中将/出错/。
32. print(jieba.suggest_freq(('中', '将'), True))
33. #494
34. print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
35. #如果/放到/post/中/将/出错/。
36. print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
37. #「/台/中/」/正确/应该/不会/被/切开
38. print(jieba.suggest_freq('台中', True))
39. #69
40. print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
41. #「/台中/」/正确/应该/不会/被/切开
42.  
43. print('='*40)
44. print('3. 关键词提取')
45. print('-'*40)
46. print(' TF-IDF')
47. print('-'*40)
48.  
49. s = "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚置业注册资本由7000万元增加到5亿元。吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年，实现营业收入0万元，实现净利润-139.13万元。"
50. for x, w in jieba.analyse.extract_tags(s, withWeight=True):
51. print('%s %s' % (x, w))
52.  
53. print('-'*40)
54. print(' TextRank')
55. print('-'*40)
56.  
57. for x, w in jieba.analyse.textrank(s, withWeight=True):
58. print('%s %s' % (x, w))
59.  
60. print('='*40)
61. print('4. 词性标注')
62. print('-'*40)
63.  
64. words = jieba.posseg.cut("我爱北京天安门")
65. for word, flag in words:
66. print('%s %s' % (word, flag))
67.  
68. print('='*40)
69. print('6. Tokenize: 返回词语在原文的起止位置')
70. print('-'*40)
71. print(' 默认模式')
72. print('-'*40)
73.  
74. result = jieba.tokenize('永和服装饰品有限公司')
75. for tk in result:
76. print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
77.  
78. print('-'*40)
79. print(' 搜索模式')
80. print('-'*40)
81.  
82. result = jieba.tokenize('永和服装饰品有限公司', mode='search')
83. for tk in result:
84. print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

输出：

1. Building prefix dict from the default dictionary ...
2. ========================================
3. 1. 分词
4. ----------------------------------------
5. Loading model from cache C:\Users\ADMINI~1\AppData\Local\Temp\jieba.cache
6. Full Mode: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
7. Loading model cost 1.252 seconds.
8. Default Mode: 我/ 来到/ 北京/ 清华大学
9. Prefix dict has been built succesfully.
10. 他, 来到, 了, 网易, 杭研, 大厦
11. 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
12. ========================================
13. 2. 添加自定义词典/调整词典
14. ----------------------------------------
15. 如果/放到/post/中将/出错/。
16. 494
17. 如果/放到/post/中/将/出错/。
18. 「/台/中/」/正确/应该/不会/被/切开
19. 69
20. 「/台中/」/正确/应该/不会/被/切开
21. ========================================
22. 3. 关键词提取
23. ----------------------------------------
24. TF-IDF
25. ----------------------------------------
26. 欧亚 0.7300142700289363
27. 吉林 0.659038184373617
28. 置业 0.4887134522112766
29. 万元 0.3392722481859574
30. 增资 0.33582401985234045
31. 4.3 0.25435675538085106
32. 7000 0.25435675538085106
33. 2013 0.25435675538085106
34. 139.13 0.25435675538085106
35. 实现 0.19900979900382978
36. 综合体 0.19480309624702127
37. 经营范围 0.19389757253595744
38. 亿元 0.1914421623587234
39. 在建 0.17541884768425534
40. 全资 0.17180164988510638
41. 注册资本 0.1712441526
42. 百货 0.16734460041382979
43. 零售 0.1475057117057447
44. 子公司 0.14596045237787234
45. 营业 0.13920178509021275
46. ----------------------------------------
47. TextRank
48. ----------------------------------------
49. 吉林 1.0
50. 欧亚 0.9966893354178172
51. 置业 0.6434360313092776
52. 实现 0.5898606692859626
53. 收入 0.43677859947991454
54. 增资 0.4099900531283276
55. 子公司 0.35678295947672795
56. 城市 0.34971383667403655
57. 商业 0.34817220716026936
58. 业务 0.3092230992619838
59. 在建 0.3077929164033088
60. 营业 0.3035777049319588
61. 全资 0.303540981053475
62. 综合体 0.29580869172394825
63. 注册资本 0.29000519464085045
64. 有限公司 0.2807830798576574
65. 零售 0.27883620861218145
66. 百货 0.2781657628445476
67. 开发 0.2693488779295851
68. 经营范围 0.2642762173558316
69. ========================================
70. 4. 词性标注
71. ----------------------------------------
72. 我 r
73. 爱 v
74. 北京 ns
75. 天安门 ns
76. ========================================
77. 6. Tokenize: 返回词语在原文的起止位置
78. ----------------------------------------
79. 默认模式
80. ----------------------------------------
81. word 永和 start: 0 end:2
82. word 服装 start: 2 end:4
83. word 饰品 start: 4 end:6
84. word 有限公司 start: 6 end:10
85. ----------------------------------------
86. 搜索模式
87. ----------------------------------------
88. word 永和 start: 0 end:2
89. word 服装 start: 2 end:4
90. word 饰品 start: 4 end:6
91. word 有限 start: 6 end:8
92. word 公司 start: 8 end:10
93. word 有限公司 start: 6 end:10

 

 

4. 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
  1. >>> import jieba.posseg as pseg
  2. >>> words = pseg.cut("我爱北京天安门")
  3. >>> for word, flag in words:
  4. ... print('%s %s' % (word, flag))
  5. ...
  6. 我 r
  7. 爱 v
  8. 北京 ns
  9. 天安门 ns

   

5. 并行分词

• 原理：将目标文本按行分隔后，把各行文本分配到多个 Python 进程并行分词，然后归并结果，从而获得分词速度的可观提升
• 基于 python 自带的 multiprocessing 模块，目前暂不支持 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

• 例子：https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py

 

1. import sys
2. import time
3. sys.path.append("../../")
4. import jieba
5.  
6. jieba.enable_parallel()
7.  
8. url = sys.argv[1]
9. content = open(url,"rb").read()
10. t1 = time.time()
11. words = "/ ".join(jieba.cut(content))
12.  
13. t2 = time.time()
14. tm_cost = t2-t1
15.  
16. log_f = open("1.log","wb")
17. log_f.write(words.encode('utf-8'))
18.  
19. print('speed %s bytes/second' % (len(content)/tm_cost))

 

• 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。

6. Tokenize：返回词语在原文的起止位置

---

• 注意，输入参数只接受 unicode
• 默认模式

  result = jieba.tokenize(u'永和服装饰品有限公司')
  for tk in result:
    print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

  word 永和                start: 0                end:2
  word 服装                start: 2                end:4
  word 饰品                start: 4                end:6
  word 有限公司            start: 6                end:10

• 搜索模式

  result = jieba.tokenize(u'永和服装饰品有限公司', mode='search')
  for tk in result:
    print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

  word 永和                start: 0                end:2
  word 服装                start: 2                end:4
  word 饰品                start: 4                end:6
  word 有限                start: 6                end:8
  word 公司                start: 8                end:10
  word 有限公司            start: 6                end:10

7. ChineseAnalyzer for Whoosh 搜索引擎

---

• 引用： from jieba.analyse import ChineseAnalyzer
• 用法示例https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py

 

1. # -*- coding: UTF-8 -*-
2. from __future__ import unicode_literals
3. import sys,os
4. sys.path.append("../")
5. from whoosh.index import create_in,open_dir
6. from whoosh.fields import *
7. from whoosh.qparser import QueryParser
8.  
9. from jieba.analyse import ChineseAnalyzer
10.  
11. analyzer = ChineseAnalyzer()
12.  
13. schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT(stored=True, analyzer=analyzer))
14. if not os.path.exists("tmp"):
15. os.mkdir("tmp")
16.  
17. ix = create_in("tmp", schema) # for create new index
18. #ix = open_dir("tmp") # for read only
19. writer = ix.writer()
20.  
21. writer.add_document(
22. title="document1",
23. path="/a",
24. content="This is the first document we’ve added!"
25. )
26.  
27. writer.add_document(
28. title="document2",
29. path="/b",
30. content="The second one 你 中文测试中文 is even more interesting! 吃水果"
31. )
32.  
33. writer.add_document(
34. title="document3",
35. path="/c",
36. content="买水果然后来世博园。"
37. )
38.  
39. writer.add_document(
40. title="document4",
41. path="/c",
42. 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"
43. )
44.  
45. writer.add_document(
46. title="document4",
47. path="/c",
48. content="咱俩交换一下吧。"
49. )
50.  
51. writer.commit()
52. searcher = ix.searcher()
53. parser = QueryParser("content", schema=ix.schema)
54.  
55. for keyword in ("水果世博园","你","first","中文","交换机","交换"):
56. print("result of ",keyword)
57. q = parser.parse(keyword)
58. results = searcher.search(q)
59. for hit in results:
60. print(hit.highlights("content"))
61. print("="*10)
62.  
63. 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"):
64. print(t.text)

 

8. 命令行分词

使用示例：python -m jieba news.txt > cut_result.txt
命令行选项（翻译）：

使用: python -m jieba [options] filename

结巴命令行界面。

固定参数:
  filename              输入文件

可选参数:
  -h, --help            显示此帮助信息并退出
  -d [DELIM], --delimiter [DELIM]
                        使用 DELIM 分隔词语，而不是用默认的' / '。
                        若不指定 DELIM，则使用一个空格分隔。
  -p [DELIM], --pos [DELIM]
                        启用词性标注；如果指定 DELIM，词语和词性之间
                        用它分隔，否则用 _ 分隔
  -D DICT, --dict DICT  使用 DICT 代替默认词典
  -u USER_DICT, --user-dict USER_DICT
                        使用 USER_DICT 作为附加词典，与默认词典或自定义词典配合使用
  -a, --cut-all         全模式分词（不支持词性标注）
  -n, --no-hmm          不使用隐含马尔可夫模型
  -q, --quiet           不输出载入信息到 STDERR
  -V, --version         显示版本信息并退出

如果没有指定文件名，则使用标准输入。

--help 选项输出：

$> python -m jieba --help
Jieba command line interface.

positional arguments:
  filename              input file

optional arguments:
  -h, --help            show this help message and exit
  -d [DELIM], --delimiter [DELIM]
                        use DELIM instead of ' / ' for word delimiter; or a
                        space if it is used without DELIM
  -p [DELIM], --pos [DELIM]
                        enable POS tagging; if DELIM is specified, use DELIM
                        instead of '_' for POS delimiter
  -D DICT, --dict DICT  use DICT as dictionary
  -u USER_DICT, --user-dict USER_DICT
                        use USER_DICT together with the default dictionary or
                        DICT (if specified)
  -a, --cut-all         full pattern cutting (ignored with POS tagging)
  -n, --no-hmm          don't use the Hidden Markov Model
  -q, --quiet           don't print loading messages to stderr
  -V, --version         show program's version number and exit

If no filename specified, use STDIN instead.

延迟加载机制

jieba 采用延迟加载，import jieba 和 jieba.Tokenizer()不会立即触发词典的加载，一旦有必要才开始加载词典构建前缀字典。如果你想手工初始 jieba，也可以手动初始化。

在 0.28 之前的版本是不能指定主词典的路径的，有了延迟加载机制后，你可以改变主词典的路径:
jieba.set_dictionary('data/dict.txt.big')
例子： https://github.com/fxsjy/jieba/blob/master/test/test_change_dictpath.py

 

 

1. #encoding=utf-8
2. from __future__ import print_function
3. import sys
4. sys.path.append("../")
5. import jieba
6.  
7. def cuttest(test_sent):
8. result = jieba.cut(test_sent)
9. print(" ".join(result))
10.  
11. def testcase():
12. cuttest("这是一个伸手不见五指的黑夜。我叫孙悟空，我爱北京，我爱Python和C++。")
13. cuttest("我不喜欢日本和服。")
14. cuttest("雷猴回归人间。")
15. cuttest("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")
16. cuttest("我需要廉租房")
17. cuttest("永和服装饰品有限公司")
18. cuttest("我爱北京天安门")
19. cuttest("abc")
20. cuttest("隐马尔可夫")
21. cuttest("雷猴是个好网站")
22.  
23. if __name__ == "__main__":
24. testcase()
25. jieba.set_dictionary("foobar.txt")
26. print("================================")
27. testcase()

 

 

其他词典

---

1. 占用内存较小的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small
2. 支持繁体分词更好的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big

下载你所需要的词典，然后覆盖' jieba/dict.txt '即可；或者用 'jieba.set_dictionary('data/dict.txt.big')'

常见问题

1. 模型的数据是如何生成的？

 

1. 详见： https://github.com/fxsjy/jieba/issues/7

 

 

2. “台中”总是被切成“台 中”？（以及类似情况）

 

1. P(台中) ＜ P(台)×P(中)，“台中”词频不够导致其成词概率较低
2. 解决方法：强制调高词频
3. jieba.add_word('台中')或者jieba.suggest_freq('台中', True)

 

 

3. “今天天气 不错”应该被切成“今天 天气 不错”？（以及类似情况）

 

1. 解决方法：强制调低词频
2. jieba.suggest_freq(('今天', '天气'), True)
3. 或者直接删除该词jieba.del_word('今天天气')

 

 

4. 切出了词典中没有的词语，效果不理想？

 

1. 解决方法：关闭新词发现
2. jieba.cut('丰田太省了', HMM=False) 
3. jieba.cut('我们中出了一个叛徒', HMM=False)

 

 

部分转载：http://blog.csdn.net/john_xyz/article/details/54645527