jieba ======== "结巴"中文分词：做最好的Python中文分词组件 "Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module. - _Scroll down for English documentation._ Feature ======== * 支持两种分词模式： * 1）默认模式，试图将句子最精确地切开，适合文本分析； * 2）全模式，把句子中所有的可以成词的词语都扫描出来，适合搜索引擎。 Usage ======== * 全自动安装：`easy_install jieba` 或者 `pip install jieba` * 半自动安装：先下载http://pypi.python.org/pypi/jieba/ ，解压后运行python setup.py install * 手动安装：将jieba目录放置于当前目录或者site-packages目录 * 通过import jieba 来引用 （第一次import时需要构建Trie树，需要几秒时间） Algorithm ======== * 基于Trie树结构实现高效的词图扫描，生成句子中汉字构成的有向无环图（DAG) * 采用了记忆化搜索实现最大概率路径的计算, 找出基于词频的最大切分组合 * 对于未登录词，采用了基于汉字位置概率的模型，使用了Viterbi算法 功能 1)：分词 ========== * jieba.cut方法接受两个输入参数: 1) 第一个参数为需要分词的字符串 2）cut_all参数用来控制分词模式 * 待分词的字符串可以是gbk字符串、utf-8字符串或者unicode * jieba.cut返回的结构是一个可迭代的generator，可以使用for循环来获得分词后得到的每一个词语(unicode)，也可以用list(jieba.cut(...))转化为list 代码示例( 分词 ) #encoding=utf-8 import jieba seg_list = jieba.cut("我来到北京清华大学",cut_all=True) print "Full Mode:", "/ ".join(seg_list) #全模式 seg_list = jieba.cut("我来到北京清华大学",cut_all=False) print "Default Mode:", "/ ".join(seg_list) #默认模式 seg_list = jieba.cut("他来到了网易杭研大厦") print ", ".join(seg_list) Output: Full Mode: 我/ 来/ 来到/ 到/ 北/ 北京/ 京/ 清/ 清华/ 清华大学/ 华/ 华大/ 大/ 大学/ 学 Default Mode: 我/ 来到/ 北京/ 清华大学 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) 功能 2) ：添加自定义词典 ================ * 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。虽然jieba有新词识别能力，但是自行添加新词可以保证更高的正确率 * 用法： jieba.load_userdict(file_name) # file_name为自定义词典的路径 * 词典格式和dict.txt一样，一个词占一行；每一行分为两部分，一部分为词语，另一部分为词频，用空格隔开 * 范例： 云计算 5 李小福 2 创新办 3 之前： 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 / 加载自定义词库后：　李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 / 功能 3) ：关键词提取 ================ * jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse * setence为待提取的文本 * topK为返回几个TF/IDF权重最大的关键词，默认值为20 代码示例 （关键词提取） https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py 功能 4) : 词性标注 ================ * 标注句子分词后每个词的词性，采用和ictclas兼容的标记法 * 用法示例 >>> import jieba.posseg as pseg >>> words =pseg.cut("我爱北京天安门") >>> for w in words: ... print w.word,w.flag ... 我 r 爱 v 北京 ns 天安门 ns 分词速度 ========= * 1.5 MB / Second in Full Mode * 400 KB / Second in Default Mode * Test Env: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《围城》.txt 在线演示 ========= http://209.222.69.242:9000/ jieba ======== "Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module. Features ======== * Support two types of segmentation mode: * 1) Default mode, attempt to cut the sentence into the most accurate segmentation, which is suitable for text analysis; * 2) Full mode, break the words of the sentence into words scanned, which is suitable for search engines. Usage ======== * Fully automatic installation: `easy_install jieba` or `pip install jieba` * Semi-automatic installation: Download http://pypi.python.org/pypi/jieba/ , after extracting run `python setup.py install` * Manutal installation: place the `jieba` directory in the current directory or python site-packages directory. * Use `import jieba` to import, which will first build the Trie tree only on first import (takes a few seconds). Algorithm ======== * Based on the Trie tree structure to achieve efficient word graph scanning; sentences using Chinese characters constitute a directed acyclic graph (DAG) * Employs memory search to calculate the maximum probability path, in order to identify the maximum tangential points based on word frequency combination * For unknown words, the character position probability-based model is used, using the Viterbi algorithm Function 1): cut ========== * The `jieba.cut` method accepts to input parameters: 1) the first parameter is the string that requires segmentation, and the 2) second parameter is `cut_all`, a parameter used to control the segmentation pattern. * `jieba.cut` returned structure is an iterative generator, where you can use a `for` loop to get the word segmentation (in unicode), or `list(jieba.cut( ... ))` to create a list. Code example: segmentation ========== #encoding=utf-8 import jieba seg_list = jieba.cut("我来到北京清华大学",cut_all=True) print "Full Mode:", "/ ".join(seg_list) #全模式 seg_list = jieba.cut("我来到北京清华大学",cut_all=False) print "Default Mode:", "/ ".join(seg_list) #默认模式 seg_list = jieba.cut("他来到了网易杭研大厦") print ", ".join(seg_list) Output: Full Mode: 我/ 来/ 来到/ 到/ 北/ 北京/ 京/ 清/ 清华/ 清华大学/ 华/ 华大/ 大/ 大学/ 学 Default Mode: 我/ 来到/ 北京/ 清华大学 他, 来到, 了, 网易, 杭研, 大厦 (In this case, "杭研" is not in the dictionary, but is identified by the Viterbi algorithm) Function 2): Add a custom dictionary ========== * Developers can specify their own custom dictionary to include in the jieba thesaurus. jieba has the ability to identify new words, but adding your own new words can ensure a higher rate of correct segmentation. * Usage： `jieba.load_userdict(file_name) # file_name is a custom dictionary path` * The dictionary format is the same as that of `dict.txt`: one word per line; each line is divided into two parts, the first is the word itself, the other is the word frequency, separated by a space * Example： 云计算 5 李小福 2 创新办 3 之前： 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 / 加载自定义词库后：　李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 / Function 3): Keyword Extraction ================ * `jieba.analyse.extract_tags(sentence,topK) # needs to first import jieba.analyse` * `setence`: the text to be extracted * `topK`: To return several TF / IDF weights for the biggest keywords, the default value is 20 Code sample (keyword extraction) https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py Segmentation speed ========= * 1.5 MB / Second in Full Mode * 400 KB / Second in Default Mode * Test Env: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《围城》.txt Online demo ========= http://209.222.69.242:9000/