聲明：本文參考jieba官方文檔而成，官方鏈接：https://github.com/fxsjy/jieba

【一】jieba安裝

pip install jieba

【二】jieba簡介

簡介可見jieba官方說明：https://pypi.org/project/jieba/

總而言之，jieba用于中文分詞，支持的文本編碼格式為utf-8，支持的功能包括：中文分詞、關鍵字提取、詞性標注

整體功能如下圖：

【三】結巴使用之分詞

1. 使用精確模式

# -*- coding:utf-8 -*-

import jieba

sentence = "我愛北京天安門"

seg = jieba.cut(sentence=sentence)

print("/".join(seg))

結果如下：

我/愛/北京/天安門

2. 使用全模式

import jieba

sentence = "我愛北京天安門"

seg = jieba.cut(sentence=sentence,cut_all=True)

print("/".join(seg))

結果如下：

我/愛/北京/天安/天安門

3.使用搜索模式

# -*- coding:utf-8 -*-

import jieba

sentence = "我愛北京天安門"

seg = jieba.cut_for_search(sentence=sentence)

print("/".join(seg))

結果如下：

我/愛/北京/天安/天安門

關于三種模式的區別，可見官方描述：

4. 分詞接口詳解

4.1 cut接口，該接口接受三個參數，重點關注一下第一個參數：要求句子編譯格式為unicode編碼。所以，如果是GBK編碼，需要先轉換為utf-8接口的編碼格式。

cut(self, sentence, cut_all=False, HMM=True)

- sentence: The str(unicode) to be segmented.

- cut_all: Model type. True for full pattern, False for accurate pattern.

- HMM: Whether to use the Hidden Markov Model.

當我們不知道文檔的編碼格式時，可以采用如下代碼：

import chardet

with open("xxx.txt",'rb') as f:

data = f.read()

print(chardet.detect(data))

輸出結果為：

{'confidence': 0.99, 'language': 'Chinese', 'encoding': 'GB2312'}

4.2?cut_for_search接口

cut_for_search(self, sentence, HMM=True)

4.3?jieba.lcut 以及 jieba.lcut_for_search 直接返回 list

print(jieba.lcut(sentence))

print(jieba.lcut_for_search(sentence))

結果如下：

['我', '愛', '北京', '天安門']

['我', '愛', '北京', '天安', '天安門']

【四】自定義詞典

1. 先看看jieba自帶的詞典長啥樣

jieba/dict.txt

T恤 4 n

A座 3 n

A股 3 n

A型 3 n

A輪 3 n

可以看出，jieba的詞典組成格式為：一行一個詞語，詞語 詞頻 詞性

據jieba官方介紹：

詞語、詞頻(可省略)、詞性(可省略)，用空格隔開，順序不可顛倒

2. 自定一一個字典

我 4 n

北京 3 n

天安門

3. 使用自定義詞典

jieba.load_userdict(r"D:\jieba-0.39\my_dict.txt")

print(jieba.lcut(sentence))

print(jieba.lcut_for_search(sentence))

結果如下：

['我', '愛', '北京', '天安門']

['我', '愛', '北京', '天安', '天安門']

【五】調整詞典

jieba支持動態調整已經加載的詞典

有兩種方法

1. 將新詞加入詞典

2. 調整詞典中的某個詞的詞頻

使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中動態修改詞典。

使用 suggest_freq(segment, tune=True) 可調節單個詞語的詞頻，使其能(或不能)被分出來。

【六】關鍵詞提取

jieba分詞支持兩種關鍵詞提取算法：TF-IDF、TextRank。這兩種算法會在后面的文章結合jieba源碼進行分析。這里先看看如何使用。

1. 基于TF-IDF進行關鍵詞提取

print(','.join(jieba.analyse.extract_tags(sentence,topK=2)))

結果如下：

天安門,北京

1.1 接口詳解?extract_tags

extract_tags(self, sentence, topK=20, withWeight=False, allowPOS=(), withFlag=False)

sentence 為待提取的文本

topK 為返回幾個 TF/IDF 權重最大的關鍵詞，默認值為 20

withWeight 為是否一并返回關鍵詞權重值，默認值為 False

allowPOS 僅包括指定詞性的詞，默認值為空，即不篩選

該接口用于基于TF-IDF提取關鍵詞，可用于篩選指定詞性的關鍵詞，返回值可以帶關鍵詞的權重，也可以不帶。

2. 依據TextRank算法進行關鍵詞提取

print(','.join(jieba.analyse.textrank(sentence,topK=2)))

結果如下：

天安門,北京

2.1 接口詳解?textrank

textrank(self, sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'), withFlag=False):

- topK: return how many top keywords. `None` for all possible words.

- withWeight: if True, return a list of (word, weight);

if False, return a list of words.

- allowPOS: the allowed POS list eg. ['ns', 'n', 'vn', 'v'].

if the POS of w is not in this list, it will be filtered.

- withFlag: if True, return a list of pair(word, weight) like posseg.cut

if False, return a list of words

【七】詞性標注

words =jieba.posseg.cut(sentence)

for word, flag in words:

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

結果如下：

我 r

愛 v

北京 n

天安門 ns

總結：jieba提供的中文分詞、詞性標注、關鍵字提取等功能，使用簡單，安裝方便。其實現不僅有python版本，還有c++ java等版本，詳情可以jieba官方鏈接：https://github.com/fxsjy/jieba

總結

以上是生活随笔為你收集整理的jieba java_【NLP】【一】中文分词之jieba的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。