pythonjieba库编程题_python库之jieba小试牛刀

1 安装

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 https://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

2 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

3 示例

1 基本用法

# encoding=utf-8

import jieba

words = jieba.cut("我今天去国家科学技术馆参观")

print("/".join(words))

结果： 我/今天/去/国家/科学技术/馆/参观

2 添加字典

# encoding=utf-8

import jieba

jieba.load_userdict("dict.txt")

words = jieba.cut("我今天去国家科学技术馆参观")

print("/".join(words))

结果： 我/今天/去/国家科学技术馆/参观

dict.txt

国家科学技术馆 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

3 动态修改词频字典

# encoding=utf-8

import jieba

words = jieba.cut("我今天去国家科学技术馆参观", HMM=False)

jieba.suggest_freq(('国家科学技术馆'), True)

print("/".join(words))

结果： 我/今天/去/国家科学技术馆/参观

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。

4 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))

结果：

Full Mode: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学

Default Mode: 我/ 来到/ 北京/ 清华大学

他, 来到, 了, 网易, 杭研, 大厦

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、

5 词性标注

# encoding=utf-8

import jieba

import jieba.posseg as pseg

words = pseg.cut("我爱祖国大好河山")

pseg.jieba.suggest_freq(('爱', '祖国'), True)

for word, flag in words:

print('%s %s' % (word, flag))

结果:

我 r

爱 v

祖国 n

大好河山 i

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

# encoding=utf-8

import jieba

import jieba.posseg as pseg

result = jieba.tokenize("如意进出口贸易有限公司")

for tk in result:

print("word %s \t\t start: %d \t\t end: %d" % (tk[0], tk[1], tk[2]))

结果:

word 如意             start: 0          end: 2

word 进出口          start: 2          end: 5

word 贸易              start: 5          end: 7

word 有限公司       start: 7          end: 11

搜索模式

# encoding=utf-8

import jieba

import jieba.posseg as pseg

result = jieba.tokenize("如意进出口贸易有限公司", mode='search')

for tk in result:

print("word %s \t\t start: %d \t\t end: %d" % (tk[0], tk[1], tk[2]))

结果：

word 如意          start: 0          end: 2

word 进出          start: 2          end: 4

word 出口          start: 3          end: 5

word 进出口      start: 2          end: 5

word 贸易          start: 5          end: 7

word 有限          start: 7          end: 9

word 公司          start: 9          end: 11

word 有限公司   start: 7          end: 11