python在数据挖掘领域的使用愈来愈普遍。想要使用python作文本分析,分词是必不可少的一个环节在python的第三方包里,jieba应该算得上是分词领域的佼佼者。html
GitHub地址:https://github.com/fxsjy/jiebapython
安装方法git
# 全自动安装: easy_install jieba 或者 pip install jieba / pip3 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
主要算法github
特色正则表达式
支持三种分词模式:算法
支持繁体分词app
支持自定义词典ide
MIT 受权协议函数
主要功能工具
咱们用到的主要是前4个功能,下面就每一个功能具体详述
5个方法:
注意:待分词的字符串能够是 unicode 或 UTF-8 字符串、GBK 字符串。注意:不建议直接输入 GBK 字符串,可能没法预料地错误解码成 UTF-8
示例代码
# encoding=utf-8 import jieba # 精确模式:试图将句子最精确地切开,适合文本分析; seg_list = jieba.cut("我来到北京清华大学", cut_all=False) print("精确模式:", "/ ".join(seg_list)) # 精确模式: 我/ 来到/ 北京/ 清华大学 # 默认是精确模式 seg_list = jieba.cut("他来到了网易杭研大厦") print("默认模式:", "/ ".join(seg_list)) # 默认模式: 他/ 来到/ 了/ 网易/ 杭研/ 大厦 # 全模式:把句子中全部的能够成词的词语都扫描出来, 速度很是快,可是不能解决歧义问题; seg_list = jieba.cut("我来到北京清华大学", cut_all=True) print("全模式:", "/ ".join(seg_list)) # 全模式: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学 # 搜索引擎模式:在精确模式的基础上,对长词再次切分,提升召回率,适合用于搜索引擎分词。 seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所,后在日本京都大学深造") print("搜索引擎模式:", "/ ".join(seg_list)) # 搜索引擎模式: 小明/ 硕士/ 毕业/ 于/ 中国/ 科学/ 学院/ 科学院/ 中国科学院/ 计算/ 计算所/ ,/ 后/ 在/ 日本/ 京都/ 大学/ 日本京都大学/ 深造
开发者能够指定本身自定义的词典,以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力,可是自行添加新词能够保证更高的正确率
用法:
jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径 # 词典格式和 dict.txt 同样,一个词占一行;每一行分三部分:词语、词频(可省略)、词性(可省略),用空格隔开,顺序不可颠倒。file_name 若为路径或二进制方式打开的文件,则文件必须为 UTF-8 编码。 # 词频省略时使用自动计算的能保证分出该词的词频。
举例:
首先添加一个userdict.txt
云计算 5 李小福 2 nr 创新办 3 i easy_install 3 eng 好用 300 韩玉赏鉴 3 nz 八一双鹿 3 nz 台中 凱特琳 nz Edu Trust认证 2000
而后分词
#encoding=utf-8 from __future__ import print_function, unicode_literals import sys sys.path.append("../") import jieba jieba.load_userdict("userdict.txt") import jieba.posseg as pseg # 使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。 jieba.add_word('石墨烯') jieba.add_word('凱特琳') jieba.del_word('自定义词') test_sent = ( "李小福是创新办主任也是云计算方面的专家; 什么是八一双鹿\n" "例如我输入一个带“韩玉赏鉴”的标题,在自定义词库中也增长了此词为N类\n" "「台中」正確應該不會被切開。mac上可分出「石墨烯」;此時又能够分出來凱特琳了。" ) words = jieba.cut(test_sent) print('/'.join(words)) print("="*40) result = pseg.cut(test_sent) for w in result: print(w.word, "/", w.flag, ", ", end=' ') print("\n" + "="*40) terms = jieba.cut('easy_install is great') print('/'.join(terms)) terms = jieba.cut('python 的正则表达式是好用的') print('/'.join(terms)) print("="*40) # test frequency tune testlist = [ ('今每天气不错', ('今天', '天气')), ('若是放到post中将出错。', ('中', '将')), ('咱们中出了一个叛徒', ('中', '出')), ] for sent, seg in testlist: print('/'.join(jieba.cut(sent, HMM=False))) word = ''.join(seg) print('%s Before: %s, After: %s' % (word, jieba.get_FREQ(word), jieba.suggest_freq(seg, True))) print('/'.join(jieba.cut(sent, HMM=False))) print("-"*40)
在构建VSM向量空间模型过程或者把文本转换成数学形式计算中,会须要运用到关键词提取的技术
基本方法:
jieba.analyse.extract_tags(sentence, topKtopK=20, withWeight=False, allowPOS=()) ''' 1. sentence 为待提取的文本 2. topK 为返回几个 TF/IDF 权重最大的关键词,默认值为 20 3. withWeight 为是否一并返回关键词权重值,默认值为 False 4. allowPOS 仅包括指定词性的词,默认值为空,即不筛选 '''
举例
乾清宫 3 太和殿 1 午门 1
#encoding=utf-8 import jieba import jieba.analyse #导入自定义词典 jieba.load_userdict("dict_baidu.txt") #精确模式 text = "故宫的著名景点包括乾清宫、太和殿和午门等。其中乾清宫很是精美,午门是紫禁城的正门,午门居中向阳。" seg_list = jieba.cut(text, cut_all=False) print(u"分词结果:") print("/".join(seg_list)) #获取关键词 tags = jieba.analyse.extract_tags(text, topK=3) print(u"关键词:") print(" ".join(tags)) ''' 分词结果: 故宫/的/著名景点/包括/乾清宫/、/太和殿/和/午门/等/。/其中/乾清宫/很是/精美/,/午门/是/紫禁城/的/正门/,/午门/居中/向阳/。 关键词: 午门 乾清宫 著名景点 ''' # 输出结果以下,其中"午门"出现3次、"乾清宫"出现2次、"著名景点"出现1次,按照顺序输出提取的关键词。若是topK=5,则输出:"午门 乾清宫 著名景点 太和殿 向阳"。
在信息检索中,为节省存储空间和提升搜索效率,在处理天然语言数据(或文本)以前或以后会自动过滤掉某些字或词,这些字或词即被称为Stop Words(停用词)。这些停用词都是人工输入、非自动化生成的,生成后的停用词会造成一个停用词表。可是,并无一个明确的停用词表可以适用于全部的工具。甚至有一些工具是明确地避免使用停用词来支持短语搜索的。
#encoding=utf-8 import jieba #去除停用词 stopwords = {}.fromkeys(['的', '包括', '等', '是']) text = "故宫的著名景点包括乾清宫、太和殿和午门等。其中乾清宫很是精美,午门是紫禁城的正门。" segs = jieba.cut(text, cut_all=False) final = '' for seg in segs: seg = seg.encode('utf-8') if seg not in stopwords: final += seg print final #输出:故宫著名景点乾清宫、太和殿和午门。其中乾清宫很是精美,午门紫禁城正门。 seg_list = jieba.cut(final, cut_all=False) print "/ ".join(seg_list) #输出:故宫/ 著名景点/ 乾清宫/ 、/ 太和殿/ 和/ 午门/ 。/ 其中/ 乾清宫/ 很是/ 精美/ ,/ 午门/ 紫禁城/ 正门/ 。
标注句子分词后每一个词的词性,采用和 ictclas 兼容的标记法。
# 新建自定义分词器 jieba.posseg.POSTokenizer(tokenizer=None) # tokenizer 参数可指定内部使用的 jieba.Tokenizer分词器。jieba.posseg.dt 为默认词性标注分词器。
用法示例
import jieba.posseg as pseg words = pseg.cut("我爱北京天安门") for word, flag in words: print('%s %s' % (word, flag)) ''' 我 r 爱 v 北京 ns 天安门 ns '''
关于词性标注的详细说明能够查看一篇很是好的文章:http://www.hankcs.com/nlp/part-of-speech-tagging.html
将目标文本按行分隔后,把各行文本分配到多个 Python 进程并行分词,而后归并结果,从而得到分词速度的可观提高(基于 python 自带的 multiprocessing 模块,目前暂不支持 Windows)
用法
jieba.enable_parallel(4) # 开启并行分词模式,参数为并行进程数 jieba.disable_parallel() # 关闭并行分词模式
举例
import sys import time sys.path.append("../../") import jieba jieba.enable_parallel() url = sys.argv[1] content = open(url,"rb").read() t1 = time.time() words = "/ ".join(jieba.cut(content)) t2 = time.time() tm_cost = t2-t1 log_f = open("1.log","wb") log_f.write(words.encode('utf-8')) print('speed %s bytes/second' % (len(content)/tm_cost)) # 实验结果:在 4 核 3.4GHz Linux 机器上,对金庸全集进行精确分词,得到了 1MB/s 的速度,是单进程版的 3.3 倍。
注意:并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。
注意:输入参数只接受 unicode
默认模式
result = jieba.tokenize(u'永和服装饰品有限公司') for tk in result: print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2])) ''' word 永和 start: 0 end:2 word 服装 start: 2 end:4 word 饰品 start: 4 end:6 word 有限公司 start: 6 end:10 '''
搜索模式
result = jieba.tokenize(u'永和服装饰品有限公司', 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 服装 start: 2 end:4 word 饰品 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 '''
用于中文关键字的搜索引擎
举例
# -*- coding: UTF-8 -*- # from __future__ import unicode_literals import sys, os sys.path.append("../") from whoosh.index import create_in, open_dir from whoosh.fields import * from whoosh.qparser import QueryParser from jieba.analyse.analyzer import ChineseAnalyzer # 导入中文分词工具 analyzer = ChineseAnalyzer() # 建立搜索引擎 schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT(stored=True, analyzer=analyzer)) if not os.path.exists("tmp"): os.mkdir("tmp") ix = create_in("tmp", schema=schema, indexname='indexname') #temp 为索引建立的地址,indexname为索引名称 # ix = open_dir("tmp") # for read only writer = ix.writer() # 添加内容,相似于引擎搜索的库 writer.add_document( title="document1", path="/a", content="This is the first document we’ve added!" ) writer.add_document( title="document2", path="/b", content="The second one 你 中文测试中文 is even more interesting! 吃水果" ) writer.add_document( title="document3", path="/c", content="买水果真后来世博园。" ) writer.add_document( title="document4", path="/c", content="工信处女干事每个月通过下属科室都要亲口交代24口交换机等技术性器件的安装工做" ) writer.add_document( title="document4", path="/c", content="咱俩交换一下吧。" ) writer.commit() ################ 以上为创建索引的过程 ############## searcher = ix.searcher() parser = QueryParser("content", schema=ix.schema) for keyword in ("水果世博园", "你", "first", "中文", "交换机", "交换"): print("result of ", keyword) q = parser.parse(keyword) # 搜索的关键字 results = searcher.search(q) for hit in results: print(hit.highlights("content")) print("=" * 10) for t in analyzer("个人好朋友是李明;我爱北京天安门;IBM和Microsoft; I have a dream. this is intetesting and interested me a lot"): print(t.text)
格式
python -m jieba [options] news.txt > cut_result.txt # >后面是输出的文件,若是不指定则默认为标准输出 ''' options参数: -h, --help 显示此帮助信息并退出 -d [DELIM], --delimiter [DELIM] 使用 DELIM 分隔词语,而不是用默认的' / '。 若不指定 DELIM,则使用一个空格分隔。 -p [DELIM], --pos [DELIM] 启用词性标注;若是指定 DELIM,词语和词性之间 用它分隔,不然用 _ 分隔 -D DICT, --dict DICT 使用 DICT 代替默认词典 -u USER_DICT, --user-dict USER_DICT 使用 USER_DICT 做为附加词典,与默认词典或自定义词典配合使用 -a, --cut-all 全模式分词(不支持词性标注) -n, --no-hmm 不使用隐含马尔可夫模型 -q, --quiet 不输出载入信息到 STDERR -V, --version 显示版本信息并退出 '''
其余词典
占用内存较小的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small
支持繁体分词更好的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big
下载你所须要的词典,而后覆盖 jieba/dict.txt 便可;或者用 jieba.set_dictionary('data/dict.txt.big')
常见问题
模型的数据是如何生成的?
详见: https://github.com/fxsjy/jieba/issues/7
2. “台中”老是被切成“台 中”?(以及相似状况)
P(台中) < P(台)×P(中),“台中”词频不够致使其成词几率较低
解决方法:强制调高词频
jieba.add_word('台中') 或者 jieba.suggest_freq('台中', True)
3. “今每天气 不错”应该被切成“今天 天气 不错”?(以及相似状况)
解决方法:强制调低词频
jieba.suggest_freq(('今天', '天气'), True)
或者直接删除该词 jieba.del_word('今每天气')
4. 切出了词典中没有的词语,效果不理想?
解决方法:关闭新词发现
jieba.cut('丰田太省了', HMM=False) jieba.cut('咱们中出了一个叛徒', HMM=False)