jieba简易教程：分词、词性标注、关键词抽取

jieba分词

“Jieba” (Chinese for “to stutter”) Chinese text segmentation: built to be the best Python Chinese word segmentation module.

特点

1. 支持三种分词模式（默认是精确模式)

• 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。

2. 支持繁体分词
3. 支持自定义词典
4. MIT授权协议

友情链接

• https://github.com/baidu/lac 百度中文词法分析（分词+词性+专名）系统
• https://github.com/baidu/AnyQ 百度FAQ自动问答系统
• https://github.com/baidu/Senta 百度情感识别系统

安装

直接使用pip install jieba进行安装

主要功能

1. 分词

---

• jieba.cut 方法接受三个输入参数: 需要分词的字符串；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
• 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
• jieba.cut 以及 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) 新建自定义分词器，可用于同时使用不同词典。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。

import jieba
segfull_list = jieba.cut("我喜欢中国！", cut_all=True)
print("Full Mode: " + " ".join(segfull_list))  # 全模式

segdef_list = jieba.cut("我喜欢中国!", cut_all=False)
print("Default Mode: " + "  ".join(segdef_list))  # 精确模式

segset_list = jieba.cut("我喜欢中国!")
print("Set Mode:" + " ".join(segset_list))   #默认是精确模式

seg_search_list = jieba.cut_for_search("我在暑假期间去北京旅游，参观了清华大学和圆明园")  # 搜索引擎模式
print("Search Mode:" + " ".join(seg_search_list))

Building prefix dict from the default dictionary …
Loading model from cache C:\Users\ADMINI~1\AppData\Local\Temp\jieba.cache
Loading model cost 0.922 seconds.
Prefix dict has been built succesfully.

Full Mode: 我 喜欢 中国
Default Mode: 我 喜欢 中国 !
Set Mode:我 喜欢 中国 !
Search Mode:我 在 暑假 期间 去 北京 旅游 ， 参观 了 清华 华大 大学 清华大学 和 圆明园

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。

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
print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))

如果/放到/post/中将/出错/。

jieba.suggest_freq(('中', '将'), True)

494

print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))

如果/放到/post/中/将/出错/。

print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))

「/台/中/」/正确/应该/不会/被/切开

jieba.suggest_freq('台中', True)

69

print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))

「/台中/」/正确/应该/不会/被/切开

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

#示例
import jieba.analyse
sentence = "我爱自然语言处理技术!"
tags = jieba.analyse.extract_tags(sentence, withWeight=True, topK=2, allowPOS=())
print(tags)

[(‘自然语言’, 3.4783139164), (‘处理’, 1.8036185524533332)]

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。
• allowPOS：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

jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))

[‘技术’, ‘处理’]

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。

import jieba.posseg as pseg
sentence = "我喜欢中国！"
words = pseg.cut(sentence)
for word, flag in words:    
    print('%s %s' % (word, flag))

我 r
喜欢 v
中国 ns
！ x

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

• 注意：并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。

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'我喜欢中国')
for tk in result:
    print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

word 我 start: 0 end:1
word 喜欢 start: 1 end:3
word 中国 start: 3 end:5

# 搜索模式
result = jieba.tokenize(u'我在清华大学读书',mode = 'search')
for tk in result:
    print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

word 我 start: 0 end:1
word 在 start: 1 end:2
word 清华 start: 2 end:4
word 华大 start: 3 end:5
word 大学 start: 4 end:6
word 清华大学 start: 2 end:6
word 读书 start: 6 end:8