jieba 使用笔记

安装： pip 即可

初始化

import jieba
import jieba.posseg  # 词性标注
import jieba.analyse  # 关键词
from jieba.analyse import ChineseAnalyzer  # 搜索引擎
# jieba.initialize()  # 手动初始化（可选）

分词 jieba.cut(sentence, cut_all , HMM)

cut_all= 参数用来控制分词模式 False 为精确模式 True为全模式
HMM= 参数用来控制是否使用 HMM 模型用于新词发现
jieba提供3种分词模式：

1. 精确模式，试图将句子最精确地切开，适合文本分析；
2. 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；
3. 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。
   并行分词(不支持win)
   jieba.enable_parallel(2) # 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
   cut/cut_for_search 返回 generator
   lcut/lcut_for_search 返回 list
   为print更清晰 易于比较 使用 str.ljust()/center()/rjust()函数实现输出的字符串左对齐、居中、右对齐

default = jieba.cut('在南京市长江大桥研究生命的起源他来到了网易杭研大厦')  # 默认模式 默认cut_all=False, HMM=True
hmm = jieba.cut('在南京市长江大桥研究生命的起源他来到了网易杭研大厦', cut_all=False, HMM=True)

accurate = jieba.cut('在南京市长江大桥研究生命的起源他来到了网易杭研大厦', cut_all=False, HMM=False)  # 精确模式
full = jieba.cut('在南京市长江大桥研究生命的起源', cut_all=True)  # 全模式
search = jieba.cut_for_search('在南京市长江大桥研究生命的起源')  # 搜索引擎模式

default_list = jieba.lcut('在南京市长江大桥研究生命的起源')  # 返回list
search_list = jieba.lcut_for_search('在南京市长江大桥研究生命的起源')

# jieba.Tokenizer(dictionary=)  # 新建分词器
print('default'.rjust(15), "/".join(default))
print('hmm'.rjust(15), "/".join(hmm))

print('accurate'.rjust(15), "/".join(accurate))

print('full'.rjust(15), "/".join(full))
print('search'.rjust(15), "/".join(search))

print('default_list'.rjust(15), default_list)
print('search_list'.rjust(15), search_list)

自定义词典

词典格式：
一词一行 一行：词语 词频（可省）词性（可省) 空格分隔 顺序不可颠倒 UTF-8编码

华能 3  nz
云泥 ns
河势 n
庙沟 ns

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。

jieba.load_userdict('../Data/dict/30wChinsesSeqDic_clean.txt')
jieba.add_word('加入自定义词')
test_sent1 = jieba.cut('在南京市长江大桥研究生命的起源和加入自定义词')
print('test_sent1', "/".join(test_sent1))
jieba.del_word('加入自定义词')
test_sent2 = jieba.cut('在南京市长江大桥研究生命的起源和加入自定义词')
print('test_sent2', "/".join(test_sent2))
jieba.suggest_freq('研究生命', True)
test_sent3 = jieba.cut('在南京市长江大桥研究生命的起源和加入自定义词')
print('test_sent3', "/".join(test_sent3))

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。
返回 generator

words = jieba.posseg.cut('在南京市长江大桥研究生命的起源')
[print(word, flag) for word, flag in words]

关键词提取

两种方式：

1. TF-IDF :
   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
2. TextRank :
   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

tf_tags = jieba.analyse.extract_tags('在南京市长江大桥研究生命的起源', topK=5, withWeight=True, allowPOS=())
[print(keyword, withWeight) for keyword, withWeight in tf_tags]
print('\n')
# jieba.analyse.set_idf_path('file_name')  # file_name为自定义 逆向文件频率（IDF）文本语料库 的路径
# jieba.analyse.set_stop_words(file_name)  # file_name为自定义 停止词（Stop Words）文本语料库 的路径
tr_tags = jieba.analyse.textrank('在南京市长江大桥研究生命的起源', topK=5, withWeight=True, allowPOS=('ns', 'n', 'vn', 'v'))
[print(keyw, Weight) for keyw, Weight in tr_tags]

Tokenize：返回词语在原文的起止位置

注意，输入参数只接受 unicode
有默认模式与搜索模式

words_locat = jieba.tokenize('研究生命起源', mode='default', HMM=False)
[print("word %s\t\t start: %d \t\t end:%d" % (w[0].rjust(10), w[1], w[2])) for w in words_locat]

words_locat_search = jieba.tokenize('研究生命起源', mode='search', HMM=False)
[print("word %s\t\t start: %d \t\t end:%d" % (w[0].rjust(10), w[1], w[2])) for w in words_locat_search]

ChineseAnalyzer for Whoosh 搜索引擎

简单测试下

analyzer = ChineseAnalyzer()
[print(t.text) for t in analyzer("在南京市长江大桥研究生命的起源")]
print(analyzer)
# Out[]
# CompositeAnalyzer(ChineseTokenizer(), LowercaseFilter(), StopFilter(stops=frozenset({'that', 'or', 'with', 'for', 'if', '了', 'and', 'a', 'you', 'have', 'from', 'is', 'may', 'in', 'we', 'as', 'of', 'us', 'tbd', 'when', 'by', 'it', 'this', 'on', 'can', 'the', 'yet', 'not', 'at', '和', 'an', 'are', 'to', 'your', 'will', '的', 'be'}), min=1, max=None, renumber=True), StemFilter(stemfn=, lang=None, ignore=frozenset(), cachesize=50000, _stem=))