jieba使用
jieba
“結(jié)巴”中文分詞：做最好的 Python 中文分詞組件
“Jieba” (Chinese for “to stutter”) Chinese text segmentation: built to be the best Python Chinese word segmentation module.
特點(diǎn)
1.支持三種分詞模式：
精確模式，試圖將句子最精確地切開，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。
2.支持繁體分詞
3.支持自定義詞典
4.MIT 授權(quán)協(xié)議
友情鏈接
https://github.com/baidu/lac 百度中文詞法分析（分詞+詞性+專名）系統(tǒng)
https://github.com/baidu/AnyQ 百度FAQ自動(dòng)問(wèn)答系統(tǒng)
https://github.com/baidu/Senta 百度情感識(shí)別系統(tǒng)
安裝說(shuō)明
代碼對(duì) Python 2/3 均兼容
1.全自動(dòng)安裝：easy_install jieba 或者 pip install jieba / pip3 install jieba
2.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
3.手動(dòng)安裝：將 jieba 目錄放置于當(dāng)前目錄或者 site-packages 目錄
4.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
（1）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
（2）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)
（3）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
（4）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
（5）jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
（6）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 jiebaseg_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))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2.添加自定義詞典
載入詞典
開發(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，順序不可顛倒。
file_name 若為路徑或二進(jìn)制方式打開的文件，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', HMM=False))) 「/臺(tái)/中/」/正確/應(yīng)該/不會(huì)/被/切開 >>> 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', HMM=False))) 「/臺(tái)中/」/正確/應(yīng)該/不會(huì)/被/切開“通過(guò)用戶自定義詞典來(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.analysejieba.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:
（1）將待抽取關(guān)鍵詞的文本進(jìn)行分詞
（2）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
（3）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") >>> for word, flag in words: ... print('%s %s' % (word, flag)) ... 我 r 愛(ài) v 北京 ns 天安門 ns5.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
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
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]))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
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。–help 選項(xiàng)輸出：
$> python -m jieba --help Jieba command line interface.positional arguments:filename input fileoptional arguments:-h, --help show this help message and exit-d [DELIM], --delimiter [DELIM]use DELIM instead of ' / ' for word delimiter; or aspace if it is used without DELIM-p [DELIM], --pos [DELIM]enable POS tagging; if DELIM is specified, use DELIMinstead of '_' for POS delimiter-D DICT, --dict DICT use DICT as dictionary-u USER_DICT, --user-dict USER_DICTuse USER_DICT together with the default dictionary orDICT (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 exitIf no filename specified, use STDIN instead.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）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')例子： https://github.com/fxsjy/jieba/blob/master/test/test_change_dictpath.py
其他詞典
1.占用內(nèi)存較小的詞典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small
2.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 Rust 版本
作者：messense, MnO2 地址：https://github.com/messense/jieba-rs
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
結(jié)巴分詞Android版本
作者 Dongliang.W 地址：https://github.com/452896915/jieba-android
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? Core? 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
3. “今天天氣 不錯(cuò)”應(yīng)該被切成“今天 天氣 不錯(cuò)”？（以及類似情況）
解決方法：強(qiáng)制調(diào)低詞頻
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
Main Functions
1.Cut
（1）The jieba.cut function accepts three input parameters: the first parameter is the string to be cut; the second parameter is cut_all, controlling the cut mode; the third parameter is to control whether to use the Hidden Markov Model.
（2）jieba.cut_for_search accepts two parameter: the string to be cut; whether to use the Hidden Markov Model. This will cut the sentence into short words suitable for search engines.
（3）The input string can be an unicode/str object, or a str/bytes object which is encoded in UTF-8 or GBK. Note that using GBK encoding is not recommended because it may be unexpectly decoded as UTF-8.
（4）jieba.cut and jieba.cut_for_search returns an generator, from which you can use a for loop to get the segmentation result (in unicode).
（5）jieba.lcut and jieba.lcut_for_search returns a list.
（6）jieba.Tokenizer(dictionary=DEFAULT_DICT) creates a new customized Tokenizer, which enables you to use different dictionaries at the same time. jieba.dt is the default Tokenizer, to which almost all global functions are mapped.
Code example: segmentation
#encoding=utf-8 import jiebaseg_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)) # 默認(rèn)模式seg_list = jieba.cut("他來(lái)到了網(wǎng)易杭研大廈") 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))Output:
[Full Mode]: 我/ 來(lái)到/ 北京/ 清華/ 清華大學(xué)/ 華大/ 大學(xué)[Accurate Mode]: 我/ 來(lái)到/ 北京/ 清華大學(xué)[Unknown Words Recognize] 他, 來(lái)到, 了, 網(wǎng)易, 杭研, 大廈 (In this case, "杭研" is not in the dictionary, but is identified by the Viterbi algorithm)[Search Engine Mode]： 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2.Add a custom dictionary
Load dictionary
（1）Developers can specify their own custom dictionary to be included in the jieba default dictionary. Jieba is able to identify new words, but you can add your own new words can ensure a higher accuracy.
（2）Usage： jieba.load_userdict(file_name) # file_name is a file-like object or the path of the custom dictionary
（3）The dictionary format is the same as that of dict.txt: one word per line; each line is divided into three parts separated by a space: word, word frequency, POS tag. If file_name is a path or a file opened in binary mode, the dictionary must be UTF-8 encoded.
（4）The word frequency and POS tag can be omitted respectively. The word frequency will be filled with a suitable value if omitted.
For example:
創(chuàng)新辦 3 i 云計(jì)算 5 凱特琳 nz 臺(tái)中Change a Tokenizer’s tmp_dir and cache_file to specify the path of the cache file, for using on a restricted file system.
Example:
云計(jì)算 5李小福 2創(chuàng)新辦 3[Before]： 李小福 / 是 / 創(chuàng)新 / 辦 / 主任 / 也 / 是 / 云 / 計(jì)算 / 方面 / 的 / 專家 /[After]： 李小福 / 是 / 創(chuàng)新辦 / 主任 / 也 / 是 / 云計(jì)算 / 方面 / 的 / 專家 /Modify dictionary
Use add_word(word, freq=None, tag=None) and del_word(word) to modify the dictionary dynamically in programs.Use suggest_freq(segment, tune=True) to adjust the frequency of a single word so that it can (or cannot) be segmented.Note that HMM may affect the final result.Example:
>>> 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', HMM=False))) 「/臺(tái)/中/」/正確/應(yīng)該/不會(huì)/被/切開 >>> 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', HMM=False))) 「/臺(tái)中/」/正確/應(yīng)該/不會(huì)/被/切開3.Keyword Extraction
import jieba.analysejieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
sentence: the text to be extracted topK: return how many keywords with the highest TF/IDF weights. The default value is 20 withWeight: whether return TF/IDF weights with the keywords. The default value is False allowPOS: filter words with which POSs are included. Empty for no filtering. jieba.analyse.TFIDF(idf_path=None) creates a new TFIDF instance, idf_path specifies IDF file path.Example (keyword extraction)
https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py
Developers can specify their own custom IDF corpus in jieba keyword extraction
Usage： jieba.analyse.set_idf_path(file_name) # file_name is the path for the custom corpus Custom Corpus Sample：https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big Sample Code：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.pyDevelopers can specify their own custom stop words corpus in jieba keyword extraction
Usage： jieba.analyse.set_stop_words(file_name) # file_name is the path for the custom corpus Custom Corpus Sample：https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt Sample Code：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.pyThere’s also a TextRank implementation available.
Use: jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))Note that it filters POS by default.
jieba.analyse.TextRank() creates a new TextRank instance.4.Part of Speech Tagging
（1）jieba.posseg.POSTokenizer(tokenizer=None) creates a new customized Tokenizer. tokenizer specifies the jieba.Tokenizer to internally use. jieba.posseg.dt is the default POSTokenizer.
（2）Tags the POS of each word after segmentation, using labels compatible with ictclas.
Example:
5.Parallel Processing
Principle: Split target text by line, assign the lines into multiple Python processes, and then merge the results, which is considerably faster.
Based on the multiprocessing module of Python.
Usage:
jieba.enable_parallel(4) # Enable parallel processing. The parameter is the number of processes.
jieba.disable_parallel() # Disable parallel processing.
Example: https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py
Result: On a four-core 3.4GHz Linux machine, do accurate word segmentation on Complete Works of Jin Yong, and the speed reaches 1MB/s, which is 3.3 times faster than the single-process version.
Note that parallel processing supports only default tokenizers, jieba.dt and jieba.posseg.dt.
6.Tokenize: return words with position
The input must be unicode
Default mode
Search mode
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]))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:107.ChineseAnalyzer for Whoosh
from jieba.analyse import ChineseAnalyzerExample: https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py
總結(jié)
- 上一篇： 判断一个字符串是否为回文的递归算法
- 下一篇： 学不会的JAVA，消不了的忧愁！ 1