jieba（結巴）是一個強大的分詞庫，完美支持中文分詞，本文對其基本用法做一個簡要總結。

特點

1. 支持三種分詞模式：
   1. 精確模式，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, 速度非?？欤遣荒芙鉀Q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，適合用于搜索引擎分詞。
2. 支持繁體分詞
3. 支持自定義詞典
4. MIT 授權協議

安裝jieba

pip install jieba

簡單用法

結巴分詞分為三種模式：精確模式（默認）、全模式和搜索引擎模式，下面對這三種模式分別舉例介紹：

精確模式

import jieba
s = u'我想和女朋友一起去北京故宮博物院參觀和閑逛。'

cut = jieba.cut(s)

print '【Output】'
print cut
print ','.join(cut)

【Output】
<generator object cut at 0x7f8dbc0efc30>
我,想,和,女朋友,一起,去,北京故宮博物院,參觀,和,閑逛,。

可見分詞結果返回的是一個生成器（這對大數據量數據的分詞尤為重要）。

全模式

print '【Output】'
print ','.join(jieba.cut(s,cut_all = True))

【Output】
我,想,和,女朋友,朋友,一起,去,北京,北京故宮,北京故宮博物院,故宮,故宮博物院,博物,博物院,參觀,和,閑逛,,

可見全模式就是把文本分成盡可能多的詞。

搜索引擎模式

print '【Output】'
print ','.join(jieba.cut_for_search(s))

【Output】
我,想,和,朋友,女朋友,一起,去,北京,故宮,博物,博物院,北京故宮博物院,參觀,和,閑逛,。

獲取詞性

每個詞都有其詞性，比如名詞、動詞、代詞等，結巴分詞的結果也可以帶上每個詞的詞性，要用到jieba.posseg，舉例如下：

import jieba.posseg as psg
print '【Output】'
print [(x.word,x.flag) for x in psg.cut(s)]

# 輸出：
'''
[(u'我', u'r'), (u'想', u'v'), (u'和', u'c'), (u'女朋友', u'n'), (u'一起', u'm'), 
(u'去', u'v'), (u'北京故宮博物院', u'ns'), (u'參觀', u'n'), (u'和', u'c'), (u'閑逛', u'v'), (u'。', u'x')]
'''

可以看到成功獲取到每個詞的詞性，這對于我們對分詞結果做進一步處理很有幫助，比如只想獲取分詞結果列表中的名詞，那么就可以這樣過濾：

print [(x.word,x.flag) for x in psg.cut(s) if x.flag.startswith('n')]

# 輸出：
'''
[(u'女朋友', u'n'), (u'北京故宮博物院', u'ns'), (u'參觀', u'n')]
'''

至于詞性的每個字母分別表示什么詞性，jieba分詞的結果可能有哪些詞性，就要去查閱詞性對照表了，本文結尾附了一份從網上搜到的詞性對照表，想了解更詳細的詞性分類信息，可以到網上搜索"結巴分詞詞性對照"。

并行分詞

在文本數據量非常大的時候，為了提高分詞效率，開啟并行分詞就很有必要了。jieba支持并行分詞，基于python自帶的multiprocessing模塊，但要注意的是在Windows環(huán)境下不支持。

用法：

# 開啟并行分詞模式，參數為并發(fā)執(zhí)行的進程數
jieba.enable_parallel(5)

# 關閉并行分詞模式
jieba.disable_parallel()

舉例：開啟并行分詞模式對三體全集文本進行分詞

santi_text = open('./santi.txt').read()
print len(santi_text)

2681968

可以看到三體全集的數據量還是非常大的，有260多萬字節(jié)的長度。

jieba.enable_parallel(100)
santi_words = [x for x in jieba.cut(santi_text) if len(x) >= 2]
jieba.disable_parallel()

獲取出現頻率Top n的詞

還是以上面的三體全集文本為例，假如想要獲取分詞結果中出現頻率前20的詞列表，可以這樣獲取：

from collections import Counter
c = Counter(santi_words).most_common(20)
print c

# 輸出：
'''
[(u'\r\n', 21805), (u'一個', 3057), (u'沒有', 2128), (u'他們', 1690), (u'我們', 1550), 
(u'這個', 1357), (u'自己', 1347), (u'程心', 1320), (u'現在', 1273), (u'已經', 1259), 
(u'世界', 1243), (u'羅輯', 1189), (u'可能', 1177), (u'什么', 1176), (u'看到', 1114), 
(u'知道', 1094), (u'地球', 951), (u'人類', 935), (u'太空', 930), (u'三體', 883)]
'''

可以看到結果中'\r\n'居然是出現頻率最高的詞，還有'一個'、'沒有'、'這個'等這種我們并不想要的無實際意義的詞，那么就可以根據前面說的詞性來進行過濾，這個以后細講。

使用用戶字典提高分詞準確性

不使用用戶字典的分詞結果：

txt = u'歐陽建國是創(chuàng)新辦主任也是歡聚時代公司云計算方面的專家'
print ','.join(jieba.cut(txt))

歐陽,建國,是,創(chuàng)新,辦,主任,也,是,歡聚,時代,公司,云,計算,方面,的,專家

使用用戶字典的分詞結果：

jieba.load_userdict('user_dict.txt')
print ','.join(jieba.cut(txt))

歐陽建國,是,創(chuàng)新辦,主任,也,是,歡聚時代,公司,云計算,方面,的,專家

可以看出使用用戶字典后分詞準確性大大提高。

注：其中user_dict.txt的內容如下：

歐陽建國 5

創(chuàng)新辦 5 i

歡聚時代 5

云計算 5

用戶字典每行一個詞，格式為：

詞語 詞頻 詞性

其中詞頻是一個數字，詞性為自定義的詞性，要注意的是詞頻數字和空格都要是半角的。

附：結巴分詞詞性對照表（按詞性英文首字母排序）

形容詞(1個一類，4個二類)

a 形容詞

ad 副形詞

an 名形詞

ag 形容詞性語素

al 形容詞性慣用語

區(qū)別詞(1個一類，2個二類)

b 區(qū)別詞

bl 區(qū)別詞性慣用語

連詞(1個一類，1個二類)

c 連詞

cc 并列連詞

副詞(1個一類)

d 副詞

嘆詞(1個一類)

e 嘆詞

方位詞(1個一類)

f 方位詞

前綴(1個一類)

h 前綴

后綴(1個一類)

k 后綴

數詞(1個一類，1個二類)

m 數詞

mq 數量詞

名詞 (1個一類，7個二類，5個三類)

名詞分為以下子類：

n 名詞

nr 人名

nr1 漢語姓氏

nr2 漢語名字

nrj 日語人名

nrf 音譯人名

ns 地名

nsf 音譯地名

nt 機構團體名

nz 其它專名

nl 名詞性慣用語

ng 名詞性語素

擬聲詞(1個一類)

o 擬聲詞

介詞(1個一類，2個二類)

p 介詞

pba 介詞“把”

pbei 介詞“被”

量詞(1個一類，2個二類)

q 量詞

qv 動量詞

qt 時量詞

代詞(1個一類，4個二類，6個三類)

r 代詞

rr 人稱代詞

rz 指示代詞

rzt 時間指示代詞

rzs 處所指示代詞

rzv 謂詞性指示代詞

ry 疑問代詞

ryt 時間疑問代詞

rys 處所疑問代詞

ryv 謂詞性疑問代詞

rg 代詞性語素

處所詞(1個一類)

s 處所詞

時間詞(1個一類，1個二類)

t 時間詞

tg 時間詞性語素

助詞(1個一類，15個二類)

u 助詞

uzhe 著

ule 了 嘍

uguo 過

ude1 的 底

ude2 地

ude3 得

usuo 所

udeng 等 等等 云云

uyy 一樣 一般 似的 般

udh 的話

uls 來講 來說 而言 說來

uzhi 之

ulian 連 （“連小學生都會”）

動詞(1個一類，9個二類)

v 動詞

vd 副動詞

vn 名動詞

vshi 動詞“是”

vyou 動詞“有”

vf 趨向動詞

vx 形式動詞

vi 不及物動詞（內動詞）

vl 動詞性慣用語

vg 動詞性語素

標點符號(1個一類，16個二類)

w 標點符號

wkz 左括號，全角：（ 〔 ［ ｛ 《 【 〖 〈 半角：( [ { <

wky 右括號，全角：） 〕 ］ ｝ 》 】 〗 〉 半角： ) ] { >

wyz 左引號，全角：“ ‘ 『

wyy 右引號，全角：” ' 』

wj 句號，全角：。

ww 問號，全角：？ 半角：?

wt 嘆號，全角：！ 半角：!

wd 逗號，全角：， 半角：,

wf 分號，全角：； 半角： ;

wn 頓號，全角：、

wm 冒號，全角：： 半角： :

ws 省略號，全角：…… …

wp 破折號，全角：—— －－ ——－ 半角：--- ----

wb 百分號千分號，全角：％ ‰ 半角：%

wh 單位符號，全角：￥ ＄ ￡ ° ℃ 半角：$

字符串(1個一類，2個二類)

x 字符串

xx 非語素字

xu 網址URL

語氣詞(1個一類)

y 語氣詞(delete yg)

狀態(tài)詞(1個一類)

z 狀態(tài)詞

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

最新評論