jieba
“結(jié)巴”中文分詞：做最好的 Python 中文分詞組件
github:https://github.com/fxsjy/jieba

特點(diǎn)
支持三種分詞模式：

精確模式，試圖將句子最精確地切開(kāi)，適合文本分析；
全模式，把句子中所有的可以成詞的詞語(yǔ)都掃描出來(lái), 速度非常快，但是不能解決歧義；
搜索引擎模式，在精確模式的基礎(chǔ)上，對(duì)長(zhǎng)詞再次切分，提高召回率，適合用于搜索引擎分詞。
支持繁體分詞

支持自定義詞典
MIT 授權(quán)協(xié)議
安裝說(shuō)明
代碼對(duì) Python 2/3 均兼容

全自動(dòng)安裝：easy_install jieba 或者 pip install jieba / pip3 install jieba
半自動(dòng)安裝：先下載 http://pypi.python.org/pypi/jieba/ ，解壓后運(yùn)行 python setup.py install
手動(dòng)安裝：將 jieba 目錄放置于當(dāng)前目錄或者 site-packages 目錄
通過(guò) import jieba 來(lái)引用
算法
基于前綴詞典實(shí)現(xiàn)高效的詞圖掃描，生成句子中漢字所有可能成詞情況所構(gòu)成的有向無(wú)環(huán)圖 (DAG)
采用了動(dòng)態(tài)規(guī)劃查找最大概率路徑, 找出基于詞頻的最大切分組合
對(duì)于未登錄詞，采用了基于漢字成詞能力的 HMM 模型，使用了 Viterbi 算法
主要功能
1. 分詞
jieba.cut 方法接受三個(gè)輸入?yún)?shù): 需要分詞的字符串；cut_all 參數(shù)用來(lái)控制是否采用全模式；HMM 參數(shù)用來(lái)控制是否使用 HMM 模型
jieba.cut_for_search 方法接受兩個(gè)參數(shù)：需要分詞的字符串；是否使用 HMM 模型。該方法適合用于搜索引擎構(gòu)建倒排索引的分詞，粒度比較細(xì)
待分詞的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建議直接輸入 GBK 字符串，可能無(wú)法預(yù)料地錯(cuò)誤解碼成 UTF-8
jieba.cut 以及 jieba.cut_for_search 返回的結(jié)構(gòu)都是一個(gè)可迭代的 generator，可以使用 for 循環(huán)來(lái)獲得分詞后得到的每一個(gè)詞語(yǔ)(unicode)，或者用
jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定義分詞器，可用于同時(shí)使用不同詞典。jieba.dt 為默認(rèn)分詞器，所有全局分詞相關(guān)函數(shù)都是該分詞器的映射。
代碼示例

# encoding=utf-8
import jieba

seg_list = jieba.cut("我來(lái)到北京清華大學(xué)", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list)) # 全模式

seg_list = jieba.cut("我來(lái)到北京清華大學(xué)", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list)) # 精確模式

seg_list = jieba.cut("他來(lái)到了網(wǎng)易杭研大廈") # 默認(rèn)是精確模式
print(", ".join(seg_list))

seg_list = jieba.cut_for_search("小明碩士畢業(yè)于中國(guó)科學(xué)院計(jì)算所，后在日本京都大學(xué)深造") # 搜索引擎模式
print(", ".join(seg_list))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
輸出:

【全模式】: 我/ 來(lái)到/ 北京/ 清華/ 清華大學(xué)/ 華大/ 大學(xué)

【精確模式】: 我/ 來(lái)到/ 北京/ 清華大學(xué)

【新詞識(shí)別】：他, 來(lái)到, 了, 網(wǎng)易, 杭研, 大廈 (此處，“杭研”并沒(méi)有在詞典中，但是也被Viterbi算法識(shí)別出來(lái)了)

【搜索引擎模式】： 小明, 碩士, 畢業(yè), 于, 中國(guó), 科學(xué), 學(xué)院, 科學(xué)院, 中國(guó)科學(xué)院, 計(jì)算, 計(jì)算所, 后, 在, 日本, 京都, 大學(xué), 日本京都大學(xué), 深造
1
2
3
4
5
6
7
2. 添加自定義詞典
載入詞典
開(kāi)發(fā)者可以指定自己自定義的詞典，以便包含 jieba 詞庫(kù)里沒(méi)有的詞。雖然 jieba 有新詞識(shí)別能力，但是自行添加新詞可以保證更高的正確率
用法： jieba.load_userdict(file_name) # file_name 為文件類(lèi)對(duì)象或自定義詞典的路徑
詞典格式和 dict.txt 一樣，一個(gè)詞占一行；每一行分三部分：詞語(yǔ)、詞頻（可省略）、詞性（可省略），用空格隔開(kāi)，順序不可顛倒。file_name 若為路徑或二進(jìn)制方式打開(kāi)的文件，則文件必須為 UTF-8 編碼。
詞頻省略時(shí)使用自動(dòng)計(jì)算的能保證分出該詞的詞頻。
例如：

創(chuàng)新辦 3 i
云計(jì)算 5
凱特琳 nz
臺(tái)中
1
2
3
4
更改分詞器（默認(rèn)為 jieba.dt）的 tmp_dir 和 cache_file 屬性，可分別指定緩存文件所在的文件夾及其文件名，用于受限的文件系統(tǒng)。

范例：

自定義詞典：https://github.com/fxsjy/jieba/blob/master/test/userdict.txt

用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py

之前： 李小福 / 是 / 創(chuàng)新 / 辦 / 主任 / 也 / 是 / 云 / 計(jì)算 / 方面 / 的 / 專(zhuān)家 /

加載自定義詞庫(kù)后：　李小福 / 是 / 創(chuàng)新辦 / 主任 / 也 / 是 / 云計(jì)算 / 方面 / 的 / 專(zhuān)家 /

調(diào)整詞典
使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中動(dòng)態(tài)修改詞典。
使用 suggest_freq(segment, tune=True) 可調(diào)節(jié)單個(gè)詞語(yǔ)的詞頻，使其能（或不能）被分出來(lái)。

注意：自動(dòng)計(jì)算的詞頻在使用 HMM 新詞發(fā)現(xiàn)功能時(shí)可能無(wú)效。

代碼示例：

>>> print('/'.join(jieba.cut('如果放到post中將出錯(cuò)。', HMM=False)))
如果/放到/post/中將/出錯(cuò)/。
>>> jieba.suggest_freq(('中', '將'), True)
494
>>> print('/'.join(jieba.cut('如果放到post中將出錯(cuò)。', HMM=False)))
如果/放到/post/中/將/出錯(cuò)/。
>>> print('/'.join(jieba.cut('「臺(tái)中」正確應(yīng)該不會(huì)被切開(kāi)', HMM=False)))
「/臺(tái)/中/」/正確/應(yīng)該/不會(huì)/被/切開(kāi)
>>> jieba.suggest_freq('臺(tái)中', True)
69
>>> print('/'.join(jieba.cut('「臺(tái)中」正確應(yīng)該不會(huì)被切開(kāi)', HMM=False)))
「/臺(tái)中/」/正確/應(yīng)該/不會(huì)/被/切開(kāi)
1
2
3
4
5
6
7
8
9
10
11
12
“通過(guò)用戶(hù)自定義詞典來(lái)增強(qiáng)歧義糾錯(cuò)能力” — https://github.com/fxsjy/jieba/issues/14
3. 關(guān)鍵詞提取
基于 TF-IDF 算法的關(guān)鍵詞抽取
import jieba.analyse

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
sentence 為待提取的文本
topK 為返回幾個(gè) TF/IDF 權(quán)重最大的關(guān)鍵詞，默認(rèn)值為 20
withWeight 為是否一并返回關(guān)鍵詞權(quán)重值，默認(rèn)值為 False
allowPOS 僅包括指定詞性的詞，默認(rèn)值為空，即不篩選
jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 實(shí)例，idf_path 為 IDF 頻率文件
代碼示例 （關(guān)鍵詞提取）

https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py

關(guān)鍵詞提取所使用逆向文件頻率（IDF）文本語(yǔ)料庫(kù)可以切換成自定義語(yǔ)料庫(kù)的路徑

用法： jieba.analyse.set_idf_path(file_name) # file_name為自定義語(yǔ)料庫(kù)的路徑
自定義語(yǔ)料庫(kù)示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big
用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.py
關(guān)鍵詞提取所使用停止詞（Stop Words）文本語(yǔ)料庫(kù)可以切換成自定義語(yǔ)料庫(kù)的路徑

用法： jieba.analyse.set_stop_words(file_name) # file_name為自定義語(yǔ)料庫(kù)的路徑
自定義語(yǔ)料庫(kù)示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt
用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.py
關(guān)鍵詞一并返回關(guān)鍵詞權(quán)重值示例

用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_with_weight.py
基于 TextRank 算法的關(guān)鍵詞抽取
jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=(‘ns’, ‘n’, ‘vn’, ‘v’)) 直接使用，接口相同，注意默認(rèn)過(guò)濾詞性。
jieba.analyse.TextRank() 新建自定義 TextRank 實(shí)例
算法論文： TextRank: Bringing Order into Texts

基本思想:
將待抽取關(guān)鍵詞的文本進(jìn)行分詞
以固定窗口大小(默認(rèn)為5，通過(guò)span屬性調(diào)整)，詞之間的共現(xiàn)關(guān)系，構(gòu)建圖
計(jì)算圖中節(jié)點(diǎn)的PageRank，注意是無(wú)向帶權(quán)圖
使用示例:
見(jiàn) test/demo.py

4. 詞性標(biāo)注
jieba.posseg.POSTokenizer(tokenizer=None) 新建自定義分詞器，tokenizer 參數(shù)可指定內(nèi)部使用的 jieba.Tokenizer 分詞器。jieba.posseg.dt 為默認(rèn)詞性標(biāo)注分詞器。
標(biāo)注句子分詞后每個(gè)詞的詞性，采用和 ictclas 兼容的標(biāo)記法。
用法示例
>>> import jieba.posseg as pseg
>>> words = pseg.cut("我愛(ài)北京天安門(mén)")
>>> for word, flag in words:
... print('%s %s' % (word, flag))
...
我 r
愛(ài) v
北京 ns
天安門(mén) ns
1
2
3
4
5
6
7
8
9
5. 并行分詞
原理：將目標(biāo)文本按行分隔后，把各行文本分配到多個(gè) Python 進(jìn)程并行分詞，然后歸并結(jié)果，從而獲得分詞速度的可觀提升
基于 python 自帶的 multiprocessing 模塊，目前暫不支持 Windows
用法：

jieba.enable_parallel(4) # 開(kāi)啟并行分詞模式，參數(shù)為并行進(jìn)程數(shù)
jieba.disable_parallel() # 關(guān)閉并行分詞模式
例子：https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py

實(shí)驗(yàn)結(jié)果：在 4 核 3.4GHz Linux 機(jī)器上，對(duì)金庸全集進(jìn)行精確分詞，獲得了 1MB/s 的速度，是單進(jìn)程版的 3.3 倍。

注意：并行分詞僅支持默認(rèn)分詞器 jieba.dt 和 jieba.posseg.dt。

6. Tokenize：返回詞語(yǔ)在原文的起止位置
注意，輸入?yún)?shù)只接受 unicode
默認(rèn)模式
result = jieba.tokenize(u'永和服裝飾品有限公司')
for tk in result:
print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
1
2
3
word 永和 start: 0 end:2
word 服裝 start: 2 end:4
word 飾品 start: 4 end:6
word 有限公司 start: 6 end:10
1
2
3
4
5
搜索模式
result = jieba.tokenize(u'永和服裝飾品有限公司', mode='search')
for tk in result:
print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
1
2
3
word 永和 start: 0 end:2
word 服裝 start: 2 end:4
word 飾品 start: 4 end:6
word 有限 start: 6 end:8
word 公司 start: 8 end:10
word 有限公司 start: 6 end:10
1
2
3
4
5
6
7. ChineseAnalyzer for Whoosh 搜索引擎
引用： from jieba.analyse import ChineseAnalyzer
用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py
8. 命令行分詞
使用示例：python -m jieba news.txt > cut_result.txt

命令行選項(xiàng)（翻譯）：

使用: python -m jieba [options] filename

結(jié)巴命令行界面。

固定參數(shù):
filename 輸入文件

可選參數(shù):
-h, --help 顯示此幫助信息并退出
-d [DELIM], --delimiter [DELIM]
使用 DELIM 分隔詞語(yǔ)，而不是用默認(rèn)的' / '。
若不指定 DELIM，則使用一個(gè)空格分隔。
-p [DELIM], --pos [DELIM]
啟用詞性標(biāo)注；如果指定 DELIM，詞語(yǔ)和詞性之間
用它分隔，否則用 _ 分隔
-D DICT, --dict DICT 使用 DICT 代替默認(rèn)詞典
-u USER_DICT, --user-dict USER_DICT
使用 USER_DICT 作為附加詞典，與默認(rèn)詞典或自定義詞典配合使用
-a, --cut-all 全模式分詞（不支持詞性標(biāo)注）
-n, --no-hmm 不使用隱含馬爾可夫模型
-q, --quiet 不輸出載入信息到 STDERR
-V, --version 顯示版本信息并退出

如果沒(méi)有指定文件名，則使用標(biāo)準(zhǔn)輸入。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
--help 選項(xiàng)輸出：

$> python -m jieba --help
Jieba command line interface.

positional arguments:
filename input file

optional arguments:
-h, --help show this help message and exit
-d [DELIM], --delimiter [DELIM]
use DELIM instead of ' / ' for word delimiter; or a
space if it is used without DELIM
-p [DELIM], --pos [DELIM]
enable POS tagging; if DELIM is specified, use DELIM
instead of '_' for POS delimiter
-D DICT, --dict DICT use DICT as dictionary
-u USER_DICT, --user-dict USER_DICT
use USER_DICT together with the default dictionary or
DICT (if specified)
-a, --cut-all full pattern cutting (ignored with POS tagging)
-n, --no-hmm don't use the Hidden Markov Model
-q, --quiet don't print loading messages to stderr
-V, --version show program's version number and exit

If no filename specified, use STDIN instead.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
延遲加載機(jī)制
jieba 采用延遲加載，import jieba 和 jieba.Tokenizer() 不會(huì)立即觸發(fā)詞典的加載，一旦有必要才開(kāi)始加載詞典構(gòu)建前綴字典。如果你想手工初始 jieba，也可以手動(dòng)初始化。

import jieba
jieba.initialize() # 手動(dòng)初始化（可選）
1
2
在 0.28 之前的版本是不能指定主詞典的路徑的，有了延遲加載機(jī)制后，你可以改變主詞典的路徑:

jieba.set_dictionary('data/dict.txt.big')
1
例子： https://github.com/fxsjy/jieba/blob/master/test/test_change_dictpath.py

其他詞典
占用內(nèi)存較小的詞典文件
https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small

支持繁體分詞更好的詞典文件
https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big

下載你所需要的詞典，然后覆蓋 jieba/dict.txt 即可；或者用 jieba.set_dictionary('data/dict.txt.big')

其他語(yǔ)言實(shí)現(xiàn)
結(jié)巴分詞 Java 版本
作者：piaolingxue
地址：https://github.com/huaban/jieba-analysis

結(jié)巴分詞 C++ 版本
作者：yanyiwu
地址：https://github.com/yanyiwu/cppjieba

結(jié)巴分詞 Node.js 版本
作者：yanyiwu
地址：https://github.com/yanyiwu/nodejieba

結(jié)巴分詞 Erlang 版本
作者：falood
地址：https://github.com/falood/exjieba

結(jié)巴分詞 R 版本
作者：qinwf
地址：https://github.com/qinwf/jiebaR

結(jié)巴分詞 iOS 版本
作者：yanyiwu
地址：https://github.com/yanyiwu/iosjieba

結(jié)巴分詞 PHP 版本
作者：fukuball
地址：https://github.com/fukuball/jieba-php

結(jié)巴分詞 .NET(C#) 版本
作者：anderscui
地址：https://github.com/anderscui/jieba.NET/

結(jié)巴分詞 Go 版本
作者: wangbin 地址: https://github.com/wangbin/jiebago
作者: yanyiwu 地址: https://github.com/yanyiwu/gojieba
系統(tǒng)集成
Solr: https://github.com/sing1ee/jieba-solr
分詞速度
1.5 MB / Second in Full Mode
400 KB / Second in Default Mode
測(cè)試環(huán)境: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《圍城》.txt
常見(jiàn)問(wèn)題
1. 模型的數(shù)據(jù)是如何生成的？
詳見(jiàn)： https://github.com/fxsjy/jieba/issues/7

2. “臺(tái)中”總是被切成“臺(tái) 中”？（以及類(lèi)似情況）
P(臺(tái)中) ＜ P(臺(tái))×P(中)，“臺(tái)中”詞頻不夠?qū)е缕涑稍~概率較低

解決方法：強(qiáng)制調(diào)高詞頻

jieba.add_word('臺(tái)中') 或者 jieba.suggest_freq('臺(tái)中', True)

3. “今天天氣 不錯(cuò)”應(yīng)該被切成“今天 天氣 不錯(cuò)”？（以及類(lèi)似情況）
解決方法：強(qiáng)制調(diào)低詞頻

jieba.suggest_freq(('今天', '天氣'), True)

或者直接刪除該詞 jieba.del_word('今天天氣')

4. 切出了詞典中沒(méi)有的詞語(yǔ)，效果不理想？
解決方法：關(guān)閉新詞發(fā)現(xiàn)

jieba.cut('豐田太省了', HMM=False)
jieba.cut('我們中出了一個(gè)叛徒', HMM=False)

更多問(wèn)題請(qǐng)點(diǎn)擊：https://github.com/fxsjy/jieba/issues?sort=updated&state=closed

修訂歷史
https://github.com/fxsjy/jieba/blob/master/Changelog

github項(xiàng)目地址（系列文章包含常見(jiàn)第三庫(kù)的使用與爬蟲(chóng)，會(huì)持續(xù)更新）
---------------------
作者：SnailClimb在csdn
來(lái)源：CSDN
原文：https://blog.csdn.net/qq_34337272/article/details/79554772
版權(quán)聲明：本文為博主原創(chuàng)文章，轉(zhuǎn)載請(qǐng)附上博文鏈接！

總結(jié)

以上是生活随笔為你收集整理的Python第三方库jieba（中文分词）入门与进阶（官方文档）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。