结巴分词

dinghj 2016-06-06

展开全文

说明：

部分内容来自结巴的文档(http://www.oschina.net/p/jieba，写的的确简明)

==================================

- 工作模式

- 支持三种分词模式：
          - 精确模式，试图将句子最精确地切开，适合文本分析；
          - 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；
          - 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

     - 支持繁体分词
     - 支持自定义词典

- python 版本

- 目前master分支是只支持Python2.x 的
- Python3.x 版本的分支也已经基本可用： https://github.com/fxsjy/jieba/tree/jieba3k

- 安装

- 全自动安装：`easy_install jieba` 或者 `pip install jieba`
- 半自动安装：先下载http://pypi./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）

- 原理

- 算法

          - 基于Trie树结构实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图（DAG)
          - 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
          - 对于未登录词，采用了基于汉字成词能力的HMM模型，使用了Viterbi算法

- 初始化

- 延迟加载

- import jieba 不会立即加载词典

- 有必要时才会加载词典，构造trie

- 也可手动构造

import jieba

jieba.initialize() #手动构造

- 在0.28之前的版本是不能指定主词典的路径的，有了延迟加载机制后，可以改变主词典的路径:

jieba.set_dictionary('data/dict.txt.big')

- 效率

- 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

- 使用

- 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参数用来控制是否采用全模式
          - `jieba.cut_for_search`方法接受一个参数：需要分词的字符串,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
               - 注意：待分词的字符串可以是gbk字符串、utf-8字符串或者unicode
          - `jieba.cut`以及`jieba.cut_for_search`返回的结构都是一个可迭代的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

- 示例

 #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

- 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；每一行分三部分，一部分为词语，另一部分为词频，最后为词性（可省略），用空格隔开

- 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

- 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

- 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

- 并行分词

          - 原理：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，然后归并结果，从而获得分词速度的可观提升
          - 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