python 中文分詞：結巴分詞

中文分詞是中文文本處理的一個基礎性工作，結巴分詞利用進行中文分詞。其基本實現原理有三點：

1. 基於Trie樹結構實現高效的詞圖掃描，生成句子中漢字所有可能成詞情況所構成的有向無環圖（DAG)
2. 采用了動態規划查找最大概率路徑, 找出基於詞頻的最大切分組合
3. 對於未登錄詞，采用了基於漢字成詞能力的HMM模型，使用了Viterbi算法

安裝（Linux環境）

下載工具包，解壓后進入目錄下，運行：python setup.py install

 

模式

1. 默認模式，試圖將句子最精確地切開，適合文本分析
2. 全模式，把句子中所有的可以成詞的詞語都掃描出來，適合搜索引擎

 

接口

• 組件只提供jieba.cut 方法用於分詞
• cut方法接受兩個輸入參數：
  • 　　第一個參數為需要分詞的字符串
  • 　　cut_all參數用來控制分詞模式
• 待分詞的字符串可以是gbk字符串、utf-8字符串或者unicode
• jieba.cut返回的結構是一個可迭代的generator，可以使用for循環來獲得分詞后得到的每一個詞語(unicode)，也可以用list(jieba.cut(...))轉化為list  

 

實例

#! -*- coding:utf-8 -*-
import jieba
seg_list = jieba.cut("我來到北京清華大學", cut_all = True)
print "Full Mode:", ' '.join(seg_list)

seg_list = jieba.cut("我來到北京清華大學")
print "Default Mode:", ' '.join(seg_list)

結果

 

實現原理

1. Trie樹：參考http://www.cnblogs.com/kaituorensheng/p/3602155.html