GOOD DEEP 優(yōu)秀 深?yuàn)W
1，支持三種分詞模式：
a,精確模式，試圖將句子最精確地切開，適合文本分析；
b,全模式，把句子中所有的可以成詞的詞語都掃描出來, 速度非?？?，但是不能解決歧義；
c,搜索引擎模式，在精確模式的基礎(chǔ)上，對長詞再次切分，提高召回率，適合用于搜索引擎分詞。
2，支持繁體分詞
3，支持自定義詞典
安裝
1，Python 2.x 下的安裝
全自動(dòng)安裝 ：easy_install jieba 或者 pip install jieba
半自動(dòng)安裝 ：先下載http://pypi.Python.org/pypi/jieba/ ，解壓后運(yùn)行python setup.py install
手動(dòng)安裝 ：將jieba目錄放置于當(dāng)前目錄或者site-packages目錄
通過import jieba 來引用
2，Python 3.x 下的安裝
目前master分支是只支持Python2.x 的
Python3.x 版本的分支也已經(jīng)基本可用： https://github.com/fxsjy/jieba/tree/jieba3k
- git clone https://github.com/fxsjy/jieba.git
- git checkout jieba3k
- python setup.py install
算法實(shí)現(xiàn)：
基于Trie樹結(jié)構(gòu)實(shí)現(xiàn)高效的詞圖掃描，生成句子中漢字所有可能成詞情況所構(gòu)成的有向無環(huán)圖（DAG)
采用了動(dòng)態(tài)規(guī)劃查找最大概率路徑, 找出基于詞頻的最大切分組合
對于未登錄詞，采用了基于漢字成詞能力的HMM模型，使用了Viterbi算法
功能
功能 1)：分詞
jieba.cut方法接受兩個(gè)輸入?yún)?shù): 1) 第一個(gè)參數(shù)為需要分詞的字符串 2）cut_all參數(shù)用來控制是否采用全模式
jieba.cut_for_search方法接受一個(gè)參數(shù)：需要分詞的字符串,該方法適合用于搜索引擎構(gòu)建倒排索引的分詞，粒度比較細(xì)
注意：待分詞的字符串可以是gbk字符串、utf-8字符串或者unicode
jieba.cut以及jieba.cut_for_search返回的結(jié)構(gòu)都是一個(gè)可迭代的generator，可以使用for循環(huán)來獲得分詞后得到的每一個(gè)詞語(unicode)，也可以用list(jieba.cut(...))轉(zhuǎn)化為list
代碼示例( 分詞 )
- #encoding=utf-8
- import jieba
- seg_list = jieba.cut("我來到北京清華大學(xué)", cut_all=True)
- print "Full Mode:", "/ ".join(seg_list) # 全模式
- seg_list = jieba.cut("我來到北京清華大學(xué)", cut_all=False)
- print "Default Mode:", "/ ".join(seg_list) # 精確模式
- seg_list = jieba.cut("他來到了網(wǎng)易杭研大廈") # 默認(rèn)是精確模式
- print ", ".join(seg_list)
- seg_list = jieba.cut_for_search("小明碩士畢業(yè)于中國科學(xué)院計(jì)算所，后在日本京都大學(xué)深造") # 搜索引擎模式
- print ", ".join(seg_list)
Output:
【全模式】: 我/ 來到/ 北京/ 清華/ 清華大學(xué)/ 華大/ 大學(xué)
【精確模式】: 我/ 來到/ 北京/ 清華大學(xué)
【新詞識(shí)別】：他, 來到, 了, 網(wǎng)易, 杭研, 大廈 (此處，“杭研”并沒有在詞典中，但是也被Viterbi算法識(shí)別出來了)
【搜索引擎模式】： 小明, 碩士, 畢業(yè), 于, 中國, 科學(xué), 學(xué)院, 科學(xué)院, 中國科學(xué)院, 計(jì)算, 計(jì)算所, 后, 在, 日本, 京都, 大學(xué), 日本京都大學(xué), 深造
功能 2) ：添加自定義詞典
開發(fā)者可以指定自己自定義的詞典，以便包含jieba詞庫里沒有的詞。雖然jieba有新詞識(shí)別能力，但是自行添加新詞可以保證更高的正確率
用法：
- jieba.load_userdict(file_name) # file_name為自定義詞典的路徑
詞典格式和dict.txt一樣，一個(gè)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），用空格隔開
范例：
自定義詞典：
- 云計(jì)算 5
- 李小福 2 nr
- 創(chuàng)新辦 3 i
- easy_install 3 eng
- 好用 300
- 韓玉賞鑒 3 nz
用法示例：
- #encoding=utf-8
- import sys
- sys.path.append("../")
- import jieba
- jieba.load_userdict("userdict.txt")
- import jieba.posseg as pseg
-
- test_sent = "李小福是創(chuàng)新辦主任也是云計(jì)算方面的專家;"
- test_sent += "例如我輸入一個(gè)帶“韓玉賞鑒”的標(biāo)題，在自定義詞庫中也增加了此詞為N類型"
- words = jieba.cut(test_sent)
- for w in words:
- print w
-
- result = pseg.cut(test_sent)
-
- for w in result:
- print w.word, "/", w.flag, ", ",
-
- print "\n========"
-
- terms = jieba.cut('easy_install is great')
- for t in terms:
- print t
- print '-------------------------'
- terms = jieba.cut('python 的正則表達(dá)式是好用的')
- for t in terms:
- print t
之前： 李小福 / 是 / 創(chuàng)新 / 辦 / 主任 / 也 / 是 / 云 / 計(jì)算 / 方面 / 的 / 專家 /
加載自定義詞庫后： 李小福 / 是 / 創(chuàng)新辦 / 主任 / 也 / 是 / 云計(jì)算 / 方面 / 的 / 專家 /
"通過用戶自定義詞典來增強(qiáng)歧義糾錯(cuò)能力" --- https://github.com/fxsjy/jieba/issues/14
功能 3) ：關(guān)鍵詞提取
- jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse
說明
setence為待提取的文本
topK為返回幾個(gè)TF/IDF權(quán)重最大的關(guān)鍵詞，默認(rèn)值為20
代碼示例 （關(guān)鍵詞提?。?
- import sys
- sys.path.append('../')
-
- import jieba
- import jieba.analyse
- from optparse import OptionParser
-
- USAGE = "usage: python extract_tags.py [file name] -k [top k]"
-
- parser = OptionParser(USAGE)
- parser.add_option("-k", dest="topK")
- opt, args = parser.parse_args()
-
-
- if len(args) < 1:
- print USAGE
- sys.exit(1)
-
- file_name = args[0]
-
- if opt.topK is None:
- topK = 10
- else:
- topK = int(opt.topK)
-
- content = open(file_name, 'rb').read()
-
- tags = jieba.analyse.extract_tags(content, topK=topK)
-
- print ",".join(tags)
功能 4) : 詞性標(biāo)注
標(biāo)注句子分詞后每個(gè)詞的詞性，采用和ictclas兼容的標(biāo)記法
用法示例
- >>> import jieba.posseg as pseg
- >>> words = pseg.cut("我愛北京天安門")
- >>> for w in words:
- ... print w.word, w.flag
- ...
- 我 r
- 愛 v
- 北京 ns
- 天安門 ns
功能 5) : 并行分詞
原理：將目標(biāo)文本按行分隔后，把各行文本分配到多個(gè)python進(jìn)程并行分詞，然后歸并結(jié)果，從而獲得分詞速度的可觀提升
基于python自帶的multiprocessing模塊，目前暫不支持windows
用法：
- jieba.enable_parallel(4) # 開啟并行分詞模式，參數(shù)為并行進(jìn)程數(shù)
- jieba.disable_parallel() # 關(guān)閉并行分詞模式
例子：
- import urllib2
- import sys,time
- import sys
- sys.path.append("../../")
- import jieba
- jieba.enable_parallel(4)
-
- url = sys.argv[1]
- content = open(url,"rb").read()
- t1 = time.time()
- words = list(jieba.cut(content))
-
- t2 = time.time()
- tm_cost = t2-t1
-
- log_f = open("1.log","wb")
- for w in words:
- print >> log_f, w.encode("utf-8"), "/" ,
-
- print 'speed' , len(content)/tm_cost, " bytes/second"
實(shí)驗(yàn)結(jié)果：在4核3.4GHz Linux機(jī)器上，對金庸全集進(jìn)行精確分詞，獲得了1MB/s的速度，是單進(jìn)程版的3.3倍。
其他詞典
占用內(nèi)存較小的詞典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small
支持繁體分詞更好的詞典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big
下載你所需要的詞典，然后覆蓋jieba/dict.txt 即可或者用jieba.set_dictionary('data/dict.txt.big')
模塊初始化機(jī)制的改變:lazy load （從0.28版本開始）
jieba采用延遲加載，"import jieba"不會(huì)立即觸發(fā)詞典的加載，一旦有必要才開始加載詞典構(gòu)建trie。如果你想手工初始jieba，也可以手動(dòng)初始化。
- import jieba
- jieba.initialize() # 手動(dòng)初始化（可選）
在0.28之前的版本是不能指定主詞典的路徑的，有了延遲加載機(jī)制后，你可以改變主詞典的路徑:
- jieba.set_dictionary('data/dict.txt.big')
例子：
- #encoding=utf-8
- import sys
- sys.path.append("../")
- import jieba
-
- def cuttest(test_sent):
- result = jieba.cut(test_sent)
- print " ".join(result)
-
- def testcase():
- cuttest("這是一個(gè)伸手不見五指的黑夜。我叫孫悟空，我愛北京，我愛Python和C++。")
- cuttest("我不喜歡日本和服。")
- cuttest("雷猴回歸人間。")
- cuttest("工信處女干事每月經(jīng)過下屬科室都要親口交代24口交換機(jī)等技術(shù)性器件的安裝工作")
- cuttest("我需要廉租房")
- cuttest("永和服裝飾品有限公司")
- cuttest("我愛北京天安門")
- cuttest("abc")
- cuttest("隱馬爾可夫")
- cuttest("雷猴是個(gè)好網(wǎng)站")
-
- if __name__ == "__main__":
- testcase()
- jieba.set_dictionary("foobar.txt")
- print "================================"
- testcase()
|
