jieba

"结巴"中文分词：做最好的Python中文分词组件

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

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/