jieba库基本介绍
jieba是优秀的中文分词第三方库
- 中文文本需要通过分词获得单个的词语
- jieba是优秀的中文分词第三方库,需要额外安装
- jieba库提供三种分词模式,最简单只需要掌握一个函数
jiaba库安装: (cmd命令行) pip install jieba
jiaba分词原理:依靠中文词库
- 利用一个中文词库,确定中文字符中间的关联概率
- 中文字符间概率大的组成词组,形成分词结果
- 除了分词,用户还可以添加自定义词组
jieba使用说明
三种模式
- 精确模式:把文本精确的且分开,不存在冗余单词
- 全模式:把文本中所有可能的词语都扫描出来,有冗余
- 搜索引擎模式:在精确模式基础上,对长词再次切分
函数 | 描述 |
---|---|
jieba.lcut(s) | 精确模式,返回一个列表类型的分词结果 |
jieba.lcut(s, cut_all=True) | 全模式,返回一个列表类型的分词结果,存在冗余 |
jieba.lcut_for_search(s) | 搜索引擎模式,返回一个列表类型的分词结果,存在冗余 |
jeba.add_word(w) | 向分词词典添加新词w |
>>> import jieba
>>> jieba.lcut("中国是一个伟大的国家");
['中国', '是', '一个', '伟大', '的', '国家']
>>> jieba.lcut("中国是一个伟大的国家", cut_all = True);
['中国', '国是', '一个', '伟大', '的', '国家']
>>> jieba.lcut_for_search("中华人民共和国是伟大的");
['中华', '华人', '人民', '共和', '共和国', '中华人民共和国', '是', '伟大', '的']
>>> jieba.add_word("蟒蛇语言");
jieba分词要点
jieba.lcut(s)
本文仅为学习Python记录,资料来源于中国大学MOOC《Python语言设计》—嵩天