一，jieba的介绍
jieba 是目前表现较为不错的 Python 中文分词组件，它主要有以下特性：
- 支持四种分词模式：
- 精确模式
- 全模式
- 搜索引擎模式
- paddle模式
- 支持繁体分词
- 支持自定义词典
- MIT 授权协议
二，安装和使用
1，安装
2，使用
三，主要分词功能
1，jieba.cut 和jieba.lcut
lcut 将返回的对象转化为list对象返回
传入参数解析：
1）精准模式（默认）:
试图将句子最精确地切开，适合文本分析
2）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；
3）paddle模式
利用PaddlePaddle深度学习框架，训练序列标注（双向GRU）网络模型实现分词。同时支持词性标注。
paddle模式使用需安装paddlepaddle-tiny，pip install paddlepaddle-tiny==1.6.1。
目前paddle模式支持jieba v0.40及以上版本。
jieba v0.40以下版本，请升级jieba，pip installjieba --upgrade。 PaddlePaddle官网
2，jieba.cut_for_search 和 jieba.lcut_for_search
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
3，jieba.Tokenizer(dictionary=DEFAULT_DICT)
新建自定义分词器，可用于同时使用不同词典。jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。
四，添加自定义词典
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。
1，添加词典用法：
2，其中自定义字典举例如下：
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。
3，使用自定义词典示例：
1）使用自定义词典文件
2）使用 jieba 在程序中动态修改词典
五，关键词提取
1，基于TF-IDF算法的关键词提取
1）TF-IDF接口和示例
- jieba.analyse.extract_tags(sentence, topK=20, withWeight=False,allowPOS=())
其中需要说明的是：- 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
- jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件
2）关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径
用法：
jieba.analyse.set_idf_path(file_name) # file_name为自定义语料库的路径
自定义语料库示例：
3）关键词提取所使用停止词（Stop Words）文本语料库可以切换成自定义语料库的路径
- 用法： jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径
- 自定义语料库示例：
4）关键词一并返回关键词权重值示例
2，词性标注
- jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器，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。
- 标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法。
- 用法示例
词性对照表
3，并行分词
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。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
可参考 test_file.py
注意：基于 python 自带的 multiprocessing 模块，目前暂不支持 Windows
4，Tokenize：返回词语在原文的起止位置
1）默认模式
注意，输入参数只接受 unicode
2）搜索模式
5，搜索引擎ChineseAnalyzer for Whoosh
六，延迟加载
ieba 采用延迟加载，import jieba 和 jieba.Tokenizer() 不会立即触发词典的加载，一旦有必要才开始加载词典构建前缀字典。如果你想手工初始 jieba，也可以手动初始化。
上面代码中，使用 add_document() 把一个文档添加到了 index 中。在这些文档中，搜索含有 “basketball”和 “elegant” 的文档。
七，其他词典
1，占用内存较小的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small
2，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
下载你所需要的词典，然后覆盖 jieba/dict.txt 即可；或者用
版权声明：
本文来源网络，所有图片文章版权属于原作者，如有侵权，联系删除。
本文网址：https://www.mushiming.com/mjsbk/12293.html