结巴分词

jieba 是python的第三方库，致力于做最好的中文分词组件

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

安装使用：

pip install jieba

import jieba

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

函数接口：

注意：

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

def cut(self, sentence, cut_all=False, HMM=True):
    """
    这个函数的主要功能是切分sentence句子
    :param self:
    :param sentence: 待切分的句子
    :param cut_all: 切分模式【True：全模式切分，False：精确模式切分】
    :param HMM: 是否使用Hidden Markov Model 模型
    :return:返回切分结果，是一个迭代器generator,可以使用 for 循环来获得分词后得到的每一个词语(unicode)
    """

def cut_for_search(self, sentence, HMM=True):
    """
    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
    :param self:
    :param sentence:待切分的句子
    :param HMM:是否使用Hidden Markov Model 模型
    :return:返回切分结果，是一个迭代器generator,可以使用 for 循环来获得分词后得到的每一个词语(unicode)
    """
def lcut(self, *args, **kwargs):
    """
    该方法和 cut方法的功能和用法完全一致，只是改方法返回的是一个列表

    """
    return list(self.cut(*args, **kwargs))

def lcut_for_search(self, *args, **kwargs):
    """
    该方法和 cut_for_search 方法的功能和用法完全一致，只是改方法返回的是一个列表
    """
    return list(self.cut_for_search(*args, **kwargs))

【使用案例】

import jieba
seg_list = jieba.cut(sentence="我来到北京清华大学",cut_all=True,HMM=True)
print(seg_list)
print("【全模式】","/".join(seg_list))#全模式

seg_list = jieba.cut(sentence="我来到北京清华大学",cut_all=False,HMM=True)
print("【精确模式】","/".join(seg_list)) #精确模式（默认）

seg_list = jieba.cut(sentence='他来到了网易杭研大厦')
print("【新词识别】",'/'.join(seg_list),' (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)')

seg_list = jieba.cut_for_search(sentence='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',HMM=True)
print("【搜索引擎模式】",'/'.join(seg_list))

【输出】

【全模式】我/来到/北京/清华/清华大学/华大/大学

【精确模式】我/来到/北京/清华大学

【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)

【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/在/日本/京都/大学/日本京都大学/深造

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。

2. 添加自定义词典

载入词典

结巴之所有可以做到正确的切词，是因为自带有很强大的词库：（如下是自带词库位置）

自带词库如下：（自带35万词库）

一个词占一行，每一行分三个部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒

虽然 jieba 有新词识别能力以及强大的词库，但是总有漏网之鱼，此时，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，自行添加新词可以保证更高的正确率；

猜你喜欢