python 中文分词包 jieba

Jieba 官网文档
Jieba 支持三种分词模式：

• 精确模式，试图将句子最精确地切开，适合文本分析；
• 全模式，把句子中所有的可以成词的词语都扫描处理，速度非常快，但是不能解决歧义；
• 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，适合用于引擎分词。

Jieba 还支持繁体分词，并支持自定义词典。

(env) pip3 install jieba

• 基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)
• 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
• 对于未登录词，采用了基于汉字成词能力的 HMM（隐马尔科夫）模型，使用了 Viterbi 算法

分词

jieba.cut(需要分词的字符串, cut_all=?, HMM=?)

# 适合用于搜索引擎构建倒排索引的分词，粒度比较细
jieba.cut_for_search(需要分词的字符串, HMM=?)

jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator，可以使用 for 循环来获得分词后得到的每一个词语（unicode）。
或者用 jieba.lcut 以及 jieba.lcut_for_search 直接返回 list。

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。

添加自定义词典

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。

# 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。
# file_name 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。
jieba.load_userdict(dict.txt)

更改分词器（默认为 jieba.dt）的 tmp_dir 和 cache_file 属性，可分别指定缓存文件所在的文件夹及其文件名，用于受限的文件系统。

调整词典

使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。
使用 suggest_freq(segment, tune=True) 可调节单个词语的词频，使其能（或不能）被分出来。

自动计算的词频在使用 HMM 新词发现功能时可能无效。

通过用户自定义词典来增强歧义纠错能力

本作品采用《CC 协议》，转载必须注明作者和本文链接