python結巴(jieba)分詞

一、特點

1、支持三種分詞模式：
　　(1)精確模式：試圖將句子最精確的切開，適合文本分析。
　　(2)全模式：把句子中所有可以成詞的詞語都掃描出來，速度非常快，但是不能解決歧義。
　　(3)搜索引擎模式：在精確模式的基礎上，對長詞再次切分，提高召回率，適合用於搜索引擎分詞。
2、支持繁體分詞
3、支持自定義詞典

二、實現

結巴分詞的實現原理主要有一下三點：
(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。

三、應用

我們來演示一下結巴分詞的主要功能

1、分詞

#-*- coding:utf-8 -*-


import jieba



'''
cut方法有兩個參數
1)第一個參數是我們想分詞的字符串
2)第二個參數cut_all是用來控制是否采用全模式
'''

#全模式
word_list = jieba.cut("今天天氣真好。親愛的，我們去遠足吧！",cut_all=True)
print "全模式：","|".join(word_list)
#精確模式 , 默認就是精確模式
word_list = jieba.cut("今天天氣真好。親愛的，我們去遠足吧！",cut_all=False)
print "精確模式：","|".join(word_list)
#搜索引擎模式
word_list = jieba.cut_for_search("今天天氣真好。親愛的，我們去遠足吧！")
print "搜索引擎：","|".join(word_list)

2、添加自定義詞典

雖然jieba有新詞識別能力，但是自己添加新詞可以保證更高的正確率。
開發者可以根據自己的需要添加自定義詞典，以便包含jieba詞庫里沒有的詞。
例：小紅今天我們還去以前經常去的地方遠足嗎？要不咱們換個地方吧！園小園怎么樣?沒問題小豆芽

自定義詞典（cu.txt）：
園小園 5
小豆芽 3 nr

一個詞占一行；每一行分三部分，一部分為詞語，另一部分為詞頻，最后為詞性（可省略），中間用空格隔開。

#-*- coding:utf-8 -*-
import jieba

jieba.load_userdict("./cu.txt")
word_list = jieba.cut("今天去遠足嗎？要不咱們換個地方吧！園小園怎么樣?沒問題小豆芽")
print "|".join(word_list)

3、關鍵詞提取

1)第一個參數(setence)為待提取的文本。
2)topK為返回幾個TF/IDF權重最大的關鍵詞，默認值為20,可以自己指定。

#-*- coding:utf-8 -*-
import jieba.analyse as al

content = open("./topk.txt","rb").read()
word_topk = al.extract_tags(content,topK=4)
print "|".join(word_topk)

4、詞性標注

標注句子分詞后每個詞的詞性，采用和ictclas兼容的標記法。

#-*- coding:utf-8 -*-
import jieba.posseg as pseg

words = pseg.cut("青島北京是不錯的地方")
for word in words:
    print word.word,word.flag

運行結果：
青島 ns
北京 ns
是 v
不錯 a
的 uj
地方 n

5、並行分詞(只能在linux系統上運行)

將要進行分詞的文本按行分隔，把各行文本分配到多個python進程中去，然后歸並結果，從而使分詞速度提升。
基於python的multiprocessing模塊，目前不支持windows系統。

#-*- coding:utf-8 -*-
import jieba
#開啟並行分詞模式，參數為參與並行分詞的進程數
jieba.enable_parallel(2)
#關閉並行分詞
#jieba.disable_parallel()
content = open("./topk.txt","rb")
words = jieba.cut(content)
print "|".join(words)

6、模塊初始化機制的改變:lazy load （從0.28版本開始）

下載你所需要的詞典，然后覆蓋jieba/dict.txt或者用jieba.set_dictionary("")將其覆蓋。

#-*- coding:utf-8 -*-

import jieba
jieba.set_dictionary("./dict.txt")
content = open("./content.txt","rb").read()
words = jieba.cut(content)
print "|".join(words)

7、Tokenize：返回詞語在原文的起始位置

1)第一個參數為文本內容。
2）第二個參數mode可以不用默認模式，指定為“search”搜索引擎模式。

#-*- coding:utf-8 -*-
import jieba

result = jieba.tokenize(u'今天天氣真好。親愛的，我們去遠足吧！')
for token in result:
    print "word %s\t\t start: %d \t\t end:%d" % (token[0],token[1],token[2])