结巴详解

https://github.com/SalutLyndon/hello-world/blob/master/中文自然语言处理基本流

# coding: utf-8

# ###jieba特性介绍

# 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出来, 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，适合用于搜索引擎分词。

# 支持繁体分词。

# 支持自定义词典。

# MIT 授权协议。

# ###分词速度

# 1.5 MB / Second in Full Mode

# 400 KB / Second in Default Mode

# 测试环境: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《围城》.txt

# #一、 第一部分

# ##Part 1. 分词

# jieba.cut 方法接受三个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用 HMM 模型。

# jieba.cut_for_search 方法接受两个参数：需要分词的字符串；是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细。

# 待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8。

# 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。

# In[1]:

import jieba

seg_list = jieba.cut("我来到北京清华大学", cut_all=True)

print("Full Mode: " + "/ ".join(seg_list))  # 全模式

# In[15]:

seg_list = jieba.cut("我来到北京清华大学", cut_all = False)

print("Precise Mode: " + "/".join(seg_list))  #精确模式，默认状态下也是精确模式

# In[16]:

seg_list = jieba.cut("他来到网易杭研大厦。")

print("Default Mode: " + "/".join(seg_list))

# In[14]:

seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造。")  #搜索引擎模式

print("Search Mode: " + "/".join(seg_list))

# ##Part 2. 添加自定义词典

# ###载入词典

# 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。

# 用法： jieba.load_userdict(file_name) # file_name 为自定义词典的路径。

# 词典格式和dict.txt一样，一个词占一行；每一行分三部分，一部分为词语，另一部分为词频（可省略），最后为词性（可省略），用空格隔开。

# 词频可省略，使用计算出的能保证分出该词的词频。

# 更改分词器的 tmp_dir 和 cache_file 属性，可指定缓存文件位置，用于受限的文件系统。

# In[5]:

seg_list = jieba.cut("李小福是创新办主任也是云计算方面的专家。")

print("Origin: " + "/".join(seg_list))

# In[6]:

jieba.load_userdict("C:\\Users\\Luo Chen\\Desktop\\lixiaofu.txt")

seg_list = jieba.cut("李小福是创新办主任也是云计算方面的专家。")

print("Revise: " + "/".join(seg_list))

# ###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。

# 注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。

# In[7]:

print("/".join(jieba.cut("如果放到post中将出错。", HMM = False)))

# In[8]:

#利用调节词频使“中”，“将”都能被分出来

jieba.suggest_freq(("中", "将"), tune = True)

# In[9]:

print("/".join(jieba.cut("如果放到post中将出错。", HMM = False)))

# In[16]:

Original = "/".join(jieba.cut("江州市长江大桥参加了长江大桥的通车仪式。", HMM = False))

print "Original: " + Original

# In[21]:

jieba.add_word("江大桥", freq = 20000, tag = None)

print "/".join(jieba.cut("江州市长江大桥参加了长江大桥的通车仪式。"))

# In[20]:

jieba.load_userdict("C:\\Users\\Luo Chen\\Desktop\\shizhang.txt")

print "Revise: " + "/".join(jieba.cut("江州市长江大桥参加了长江大桥的通车仪式。", HMM = False))

# ##Part 3. 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。

# In[22]:

import jieba.posseg as pseg

words = pseg.cut("我爱北京天安门。")

for w in words:

    print("%s %s" %(w.word, w.flag))

# ##Part 4. 关键词提取

# ###基于 TF-IDF 算法的关键词提取

# import jieba.analyse

# jieba.analyse.extract_tags(sentence, topK = 20, withWeight = False, allowPOS = ())

# sentence:待提取的文本。

# topK:返回几个 TF/IDF 权重最大的关键词，默认值为20。

# withWeight:是否一并返回关键词权重值，默认值为False。

# allowPOS:仅包括指定词性的词，默认值为空，即不进行筛选。

# jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件。

# optparse模块OptionParser学习

# optparse是专门在命令行添加选项的一个模块。

# In[2]:

from optparse import OptionParser

MSG_USAGE = "myprog[ -f ][-s ] arg1[,arg2..]"

optParser = OptionParser(MSG_USAGE)

#以上，产生一个OptionParser的物件optParser。传入的值MSG_USAGE可被调用打印命令时显示出来。

optParser.add_option("-f","--file",action = "store",type="string",dest = "fileName")

optParser.add_option("-v","--vison", action="store_false", dest="verbose",default='gggggg',

                     help="make lots of noise [default]")

#调用OptionParser.add_option()添加选项，add_option()参数说明：

#action:存储方式，分为三种store, store_false, store_true

#type:类型

#dest:存储的变量

#default:默认值

#help:帮助信息

fakeArgs = ['-f','file.txt','-v','good luck to you', 'arg2', 'arge']

options, args = optParser.parse_args(fakeArgs)

print options.fileName

print options.verbose

print options

print args

#调用OptionParser.parse_args()剖析并返回一个directory和一个list

#parse_args()说明:

#如果没有传入参数，parse_args会默认将sys.argv[1:]的值作为默认参数。这里我们将fakeArgs模拟输入的值。

#从返回结果中可以看到，

#options为是一个directory,它的内容fakeArgs为“参数/值 ”的键值对。

#args 是一个list，它的内容是fakeargs除去options后，剩余的输入内容。

#options.version和options.fileName都取到与options中的directory的值。

print optParser.print_help()

#输出帮助信息

#optParser.print_help()说明：

#1、最开始的的MSG_USAGE的值:在这个地方显示出来了。

#2、自动添加了-h这个参数。

# In[14]:

import jieba.analyse as anl

f = open("C:\\Users\\Luo Chen\\Desktop\\demo.txt", "r").read()

seg = anl.extract_tags(f, topK = 20, withWeight = True)

for tag, weight in seg:

    print "%s %s" %(tag, weight)

# 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。

# jieba.analyse.set_idf_path(file_name) #file_name为自定义语料库的路径

# 如：jieba.analyse.set_idf_path("../extra_dict/idf.txt.big")

# .big文件一般是游戏中的文件，比较常见的用途是装载游戏的音乐、声音等文件。

# 

# 关键词提取所使用停用词（Stop Words）文本语料库可以切换成自定义语料库的路径。

# jieba.analyse.set_stop_words(file_name) #file_name为自定义语料库的路径。

# 如：jieba.analyse.set_stop_words("../extra_dict/stop_words.txt")

# ###基于 TextRank 算法的关键词提取

# 基本思想:

# 将待抽取关键词的文本进行分词；

# 以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图；

# 计算图中节点的PageRank，注意是无向带权图。

# jieba.analyse.textrank(sentence, topK = 20, withWeight = False, allowPOS = ('ns', 'n', 'v', 'nv')) 注意默认过滤词性。

# jieba.analyse.TextRank() 新建自定义TextRank实例。

# In[16]:

s = "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚置业注册资本由7000万元增加到5亿元。吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年，实现营业收入0万元，实现净利润-139.13万元。"

for x, w in jieba.analyse.textrank(s, topK = 5, withWeight = True):

    print("%s %s" % (x, w))

# ##Part 5. 并行分词（多进程分词）

# 原理：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。

# 基于 python 自带的 multiprocessing 模块，目前暂不支持 Windows。

# 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

# 实验结果：在 4 核 3.4GHz Linux 机器上，对金庸全集进行精确分词，获得了 1MB/s 的速度，是单进程版的 3.3 倍。

# 注意：并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。

# ##Part 6. Tokenize: 返回词语在原文的起止位置

# 注意：输入参数只接受 unicode

# 两种模式：默认模式、搜索模式。

# ###默认模式

# In[19]:

result = jieba.tokenize(u"永和服装饰品有限公司")

for tk in result:

    print("%s \t start at: %d \t end at: %d" %(tk[0], tk[1], tk[2]))

# ###搜索模式

# 把句子中所有的可以成词的词语都扫描出来并确定位置。

# In[20]:

result = jieba.tokenize(u"永和服装饰品有限公司", mode = "search")

for tk in result:

    print("%s \t start at: %d \t end at: %d" % (tk[0], tk[1], tk[2]))

# ##Part 7. 延迟加载机制

# jieba 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。

# import jieba

# jieba.initialize()  #手动初始化（可选）

# 在 0.28 之前的版本是不能指定主词典的路径的，有了延迟加载机制后，你可以改变主词典的路径:

# jieba.set_dictionary("data/dict.txt.big")

# 也可以下载你所需要的词典，然后覆盖jieba/dict.txt即可。

# #二、 第二部分

# ##Part 1. 词频统计、降序排序

# In[21]:

article = open("C:\\Users\\Luo Chen\\Desktop\\demo_long.txt", "r").read()

words = jieba.cut(article, cut_all = False)

word_freq = {}

for word in words:

    if word in word_freq:

        word_freq[word] += 1

    else:

        word_freq[word] = 1

freq_word = []

for word, freq in word_freq.items():

    freq_word.append((word, freq))

freq_word.sort(key = lambda x: x[1], reverse = True)

max_number = int(raw_input(u"需要前多少位高频词？ "))

for word, freq in freq_word[: max_number]:

    print word, freq

# ##Part 2. 人工去停用词

# 标点符号、虚词、连词不在统计范围内。

# In[22]:

stopwords = []

for word in open("C:\\Users\\Luo Chen\\Desktop\\stop_words.txt", "r"):

    stopwords.append(word.strip())

article = open("C:\\Users\\Luo Chen\\Desktop\\demo_long.txt", "r").read()

words = jieba.cut(article, cut_all = False)

stayed_line = ""

for word in words:

    if word.encode("utf-8") not in stopwords:

        stayed_line += word + " "

print stayed_line

# ##Part 3. 合并同义词

# 将同义词列举出来，按下Tab键分隔，把第一个词作为需要显示的词语，后面的词语作为要替代的同义词，一系列同义词放在一行。

# 这里，“北京”、“首都”、“京城”、“北平城”、“故都”为同义词。

# In[24]:

combine_dict = {}

for line in open("C:\\Users\\Luo Chen\\Desktop\\tongyici.txt", "r"):

    seperate_word = line.strip().split("\t")

    num = len(seperate_word)

    for i in range(1, num):

        combine_dict[seperate_word[i]] = seperate_word[0]

jieba.suggest_freq("北平城", tune = True)

seg_list = jieba.cut("北京是中国的首都，京城的景色非常优美，就像当年的北平城，我爱这故都的一草一木。", cut_all = False)

f = ",".join(seg_list)

result = open("C:\\Users\\Luo Chen\\Desktop\\output.txt", "w")

result.write(f.encode("utf-8"))

result.close()

for line in open("C:\\Users\\Luo Chen\\Desktop\\output.txt", "r"):

    line_1 = line.split(",")

final_sentence = ""

for word in line_1:

    if word in combine_dict:

        word = combine_dict[word]

        final_sentence += word

    else:

        final_sentence += word

print final_sentence

# ##Part 4. 词语提及率

# 主要步骤：分词——过滤停用词（略）——替代同义词——计算词语在文本中出现的概率。

# In[31]:

origin = open("C:\\Users\\Luo Chen\\Desktop\\tijilv.txt", "r").read()

jieba.suggest_freq("晨妈妈", tune = True)

jieba.suggest_freq("大黑牛", tune = True)

jieba.suggest_freq("能力者", tune = True)

seg_list = jieba.cut(origin, cut_all = False)

f = ",".join(seg_list)

output_1 = open("C:\\Users\\Luo Chen\\Desktop\\output_1.txt", "w")

output_1.write(f.encode("utf-8"))

output_1.close()

combine_dict = {}

for w in open("C:\\Users\\Luo Chen\\Desktop\\tongyici.txt", "r"):

    w_1 = w.strip().split("\t")

    num = len(w_1)

    for i in range(0, num):

        combine_dict[w_1[i]] = w_1[0]

seg_list_2 = ""

for i in open("C:\\Users\\Luo Chen\\Desktop\\output_1.txt", "r"):

    i_1 = i.split(",")

    for word in i_1:

        if word in combine_dict:

            word = combine_dict[word]

            seg_list_2 += word

        else:

            seg_list_2 += word

print seg_list_2

# In[35]:

freq_word = {}

seg_list_3 = jieba.cut(seg_list_2, cut_all = False)

for word in seg_list_3:

    if word in freq_word:

        freq_word[word] += 1

    else:

        freq_word[word] = 1

freq_word_1 = []

for word, freq in freq_word.items():

    freq_word_1.append((word, freq))

freq_word_1.sort(key = lambda x: x[1], reverse = True)

for word, freq in freq_word_1:

    print word, freq

total_freq = 0

for i in freq_word_1:

    total_freq += i[1]

for word, freq in freq_word.items():

    freq = float(freq) / float(total_freq)

    print word, freq

# ##Part 5. 按词性提取

# In[36]:

import jieba.posseg as pseg

word = pseg.cut("李晨好帅，又能力超强，是“大黑牛”，也是一个能力者，还是队里贴心的晨妈妈。")

for w in word:

    if w.flag in ["n", "v", "x"]:

        print w.word, w.flag

1. 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出来, 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，适合用于搜索引擎分词。

2. 支持繁体分词

3. 支持自定义词典

   Python 2.x 下的安装

   • 全自动安装：easy_install jieba 或者 pip install jieba

   • 半自动安装：先下载http://pypi.python.org/pypi/jieba/ ，解压后运行python setup.py install

   • 手动安装：将jieba目录放置于当前目录或者site-packages目录

   • 通过import jieba 来引用 （第一次import时需要构建Trie树，需要几秒时间）

   Python 3.x 下的安装

   • 目前master分支是只支持Python2.x 的

   • Python3.x 版本的分支也已经基本可用： 

     https://github.com/fxsjy/jieba/tree/jieba3k

     [html] view plain copy

     1. git clone https://github.com/fxsjy/jieba.git  
     2. git checkout jieba3k  
     3. python setup.py install<h1 style="font-family: Helvetica, arial, freesans, clean, sans-serif; font-size: 28px;"><a target=_blank name="-1" href="https://github.com/fxsjy/jieba/blob/master/README.md#-1"></a>功能 1)：分词</h1><ul class=" list-paddingleft-2" style="color: rgb(51, 51, 51); font-family: Helvetica, arial, freesans, clean, sans-serif; font-size: 14px;"><li><p>jieba.cut方法接受两个输入参数: 1) 第一个参数为需要分词的字符串 2）cut_all参数用来控制是否采用全模式 </p></li><li><p>jieba.cut_for_search方法接受一个参数：需要分词的字符串,该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细 </p></li><li><p> 注意：待分词的字符串可以是gbk字符串、utf-8字符串或者unicode </p></li><li><p> 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)，也可以用list(jieba.cut(...))转化为list </p></li></ul><p style="color: rgb(51, 51, 51); font-family: Helvetica, arial, freesans, clean, sans-serif; font-size: 14px;">代码示例( 分词 )</p><pre>#encoding=utf-8  
     4. import jieba  
     5.   
     6. seg_list = jieba.cut("我来到北京清华大学",cut_all=True)  
     7. print "Full Mode:", "/ ".join(seg_list) #全模式  
     8.   
     9. seg_list = jieba.cut("我来到北京清华大学",cut_all=False)  
     10. print "Default Mode:", "/ ".join(seg_list) #精确模式  
     11.   
     12. seg_list = jieba.cut("他来到了网易杭研大厦") #默认是精确模式  
     13. print ", ".join(seg_list)  
     14.   
     15. seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造") #搜索引擎模式  
     16. print ", ".join(seg_list)  

     Output:

     【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学【精确模式】: 我/ 来到/ 北京/ 清华大学【新词识别】：他, 来到, 了, 网易, 杭研, 大厦    (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)【搜索引擎模式】： 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造

     功能 2) ：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

     • 用法： jieba.load_userdict(file_name) # file_name为自定义词典的路径

     • 词典格式和dict.txt一样，一个词占一行；每一行分三部分，一部分为词语，另一部分为词频，最后为词性（可省略），用空格隔开

     • 范例：

       • 之前： 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /

       • 加载自定义词库后：　李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /

       • 自定义词典：https://github.com/fxsjy/jieba/blob/master/test/userdict.txt

       • 用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py

     • "通过用户自定义词典来增强歧义纠错能力" --- https://github.com/fxsjy/jieba/issues/14

     功能 3) ：关键词提取

     • jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse

     • setence为待提取的文本

     • topK为返回几个TF/IDF权重最大的关键词，默认值为20

     代码示例 （关键词提取）

     https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py

     功能 4) : 词性标注（这是重点）

     • 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

       >>> import jieba.posseg as pseg>>> words =pseg.cut("我爱北京天安门")>>> for w in words:...    print w.word,w.flag...我 r爱 v北京 ns天安门 ns

     功能 5) : 并行分词

     • 原理：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

     • 基于python自带的multiprocessing模块，目前暂不支持windows

     • 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

     • 例子： https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py

     • 实验结果：在4核3.4GHz Linux机器上，对金庸全集进行精确分词，获得了1MB/s的速度，是单进程版的3.3倍。

     功能 6) : Tokenize：返回词语在原文的起始位置

     • 注意，输入参数只接受unicode

     • 默认模式

     result = jieba.tokenize(u'永和服装饰品有限公司')

     for tk in result:

         print "word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2])

     word 永和                start: 0                end:2word 服装                start: 2                end:4word 饰品                start: 4                end:6word 有限公司            start: 6                end:10

     • 搜索模式

     result = jieba.tokenize(u'永和服装饰品有限公司',mode='search')

     for tk in result:

         print "word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2])

     word 永和                start: 0                end:2word 服装                start: 2                end:4word 饰品                start: 4                end:6word 有限                start: 6                end:8word 公司                start: 8                end:10word 有限公司            start: 6                end:10

     功能 7) : ChineseAnalyzer for Whoosh搜索引擎

     • 引用： from jieba.analyse import ChineseAnalyzer

     • 用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py
       
       
       另附词性标注表如下：
       
       1. 名词 (1个一类，7个二类，5个三类)
       名词分为以下子类：
       n 名词
       nr 人名
       nr1 汉语姓氏
       nr2 汉语名字
       nrj 日语人名
       nrf 音译人名
       ns 地名
       nsf 音译地名
       nt 机构团体名
       nz 其它专名
       nl 名词性惯用语
       ng 名词性语素
       2. 时间词(1个一类，1个二类)
       t 时间词
       tg 时间词性语素
       3. 处所词(1个一类)
       s 处所词
       4. 方位词(1个一类)
       f 方位词
       5. 动词(1个一类，9个二类)
       v 动词
       vd 副动词
       vn 名动词
       vshi 动词“是”
       vyou 动词“有”
       vf 趋向动词
       vx 形式动词
       vi 不及物动词（内动词）
       vl 动词性惯用语
       vg 动词性语素
       6. 形容词(1个一类，4个二类)
       a 形容词
       ad 副形词
       an 名形词
       ag 形容词性语素
       al 形容词性惯用语
       7. 区别词(1个一类，2个二类)
       b 区别词
       bl 区别词性惯用语
       8. 状态词(1个一类)
       z 状态词
       9. 代词(1个一类，4个二类，6个三类)
       r 代词
       rr 人称代词
       rz 指示代词
       rzt 时间指示代词
       rzs 处所指示代词
       rzv 谓词性指示代词
       ry 疑问代词
       ryt 时间疑问代词
       rys 处所疑问代词
       ryv 谓词性疑问代词
       rg 代词性语素
       10. 数词(1个一类，1个二类)
       m 数词
       mq 数量词
       11. 量词(1个一类，2个二类)
       q 量词
       qv 动量词
       qt 时量词
       12. 副词(1个一类)
       d 副词
       13. 介词(1个一类，2个二类)
       p 介词
       pba 介词“把”
       pbei 介词“被”
       14. 连词(1个一类，1个二类)
       c 连词
       cc 并列连词
       15. 助词(1个一类，15个二类)
       u 助词
       uzhe 着
       ule 了 喽
       uguo 过
       ude1 的 底
       ude2 地
       ude3 得
       usuo 所
       udeng 等 等等 云云
       uyy 一样 一般 似的 般
       udh 的话
       uls 来讲 来说 而言 说来
       uzhi 之
       ulian 连 （“连小学生都会”）
       16. 叹词(1个一类)
       e 叹词
       17. 语气词(1个一类)
       y 语气词(delete yg)
       18. 拟声词(1个一类)
       o 拟声词
       19. 前缀(1个一类)
       h 前缀
       20. 后缀(1个一类)
       k 后缀
       21. 字符串(1个一类，2个二类)
       x 字符串
       xx 非语素字
       xu 网址URL
       22. 标点符号(1个一类，16个二类)
       w 标点符号
       wkz 左括号，全角：（ 〔 ［ ｛ 《 【 〖 〈 半角：( [ { <
       wky 右括号，全角：） 〕 ］ ｝ 》 】 〗 〉 半角： ) ] { >
       wyz 左引号，全角：“ ‘ 『
       wyy 右引号，全角：” ’ 』
       wj 句号，全角：。
       ww 问号，全角：？ 半角：?
       wt 叹号，全角：！ 半角：!
       wd 逗号，全角：， 半角：,
       wf 分号，全角：； 半角： ;
       wn 顿号，全角：、
       wm 冒号，全角：： 半角： :
       ws 省略号，全角：…… …
       wp 破折号，全角：—— －－ ——－ 半角：--- ----
       wb 百分号千分号，全角：％ ‰ 半角：%
       wh 单位符号，全角：￥ ＄ ￡ ° ℃ 半角：$