jieba——“结巴”中文分词是sunjunyi开发的一款Python中文分词组件,能够在Github上查看jieba项目。python
要使用jieba中文分词,首先须要安装jieba中文分词,做者给出了以下的安装方法:git
1.全自动安装:easy_install jieba
或者 pip install jieba
/ pip3 install jieba
github
2.半自动安装:先下载 http://pypi.python.org/pypi/jieba/ ,解压后运行 python setup.py install
算法
3.手动安装:将 jieba 目录放置于当前目录或者 site-packages 目录函数
做者介绍其采用的算法:搜索引擎
1.基于前缀词典实现高效的词图扫描,生成句子中汉字全部可能成词状况所构成的有向无环图 (DAG)spa
2.采用了动态规划查找最大几率路径, 找出基于词频的最大切分组合code
3.对于未登陆词,采用了基于汉字成词能力的 HMM 模型,使用了 Viterbi 算法blog
主要功能:索引
1.分词
分词功能主要有两个方法 jieba.cut 和 jieba.cut_for_search,
其中 jieba.cut方法 接受三个输入参数:
1.须要分词的字符串;
2.cut_all 参数用来控制是否采用全模式;
3.HMM 参数用来控制是否使用 HMM 模型
jieba.cut("我来到北京清华大学", cut_all=True)
其中 jieba.cut_for_search方法 接受两个输入参数:
1.须要分词的字符串;
2.是否使用 HMM 模型。
该方法适合用于搜索引擎构建倒排索引的分词,粒度比较细
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")
jieba.cut方法 和 jieba.cut_for_search方法 返回的结构都是一个可迭代的 generator,可使用 for 循环来得到分词后获得的每个词语(unicode)
也可使用 jieba.lcut方法 和 jieba.lcut_for_search方法 直接返回 list
做者的说明: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
如下是做者给出的demo和运行结果:
# coding:utf-8 # !/usr/bin/env python import jieba if __name__ == '__main__': 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)) #精确模式 seg_list = jieba.cut("他来到了网易杭研大厦") #默认是精确模式 print(", ".join(seg_list)) 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") #搜索引擎模式 print(", ".join(seg_list))
输出的结果
能够看到:
全模式:试图将句子最精确地切开,适合文本分析,输出的是全部可能的分词组合,好比清华大学,会被分红:清华,清华大学,华大,大学
默认模型(精确模型):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,好比清华大学,只会输出清华大学
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
还有另一个方法 jieba.Tokenizer(dictionary=DEFAULT_DICT),用于新建自定义分词器,可用于同时使用不一样词典。
jieba.dt
为默认分词器,全部全局分词相关函数都是该分词器的映射。