jieba中文处理

和拉丁语系不同，亚洲语言是不用空格分开每个有意义的词的。而当我们进行自然语言处理的时候，大部分情况下，词汇是我们对句子和文章理解的基础，因此需要一个工具去把完整的文本中分解成粒度更细的词。

jieba就是这样一个非常好用的中文工具，是以分词起家的，但是功能比分词要强大很多。官方github

1.基本分词函数与用法
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)

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

import jiebaseg_list = jieba.cut("我在学习自然语言处理", cut_all=True)print(seg_list)print("Full Mode: " + "/ ".join(seg_list))  # 全模式seg_list = jieba.cut("我在学习自然语言处理", cut_all=False)print("Default Mode: " + "/ ".join(seg_list))  # 精确模式seg_list = jieba.cut("他毕业于上海交通大学，在百度深度学习研究院进行研究")  # 默认是精确模式print(", ".join(seg_list))seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")  # 搜索引擎模式print(", ".join(seg_list))

<generator object Tokenizer.cut at 0x000001902FF27FC0>Building prefix dict from the default dictionary ...Dumping model to file cache C:\Users\lujinyu\AppData\Local\Temp\jieba.cacheLoading model cost 2.950 seconds.Prefix dict has been built succesfully.Full Mode: 我/ 在/ 学习/ 自然/ 自然语言/ 语言/ 处理Default Mode: 我/ 在/ 学习/ 自然语言/ 处理他, 毕业, 于, 上海交通大学, ，, 在, 百度, 深度, 学习, 研究院, 进行, 研究小明, 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, 哈佛, 大学, 哈佛大学, 深造

jieba.lcut以及jieba.lcut_for_search直接返回 list

result_lcut = jieba.lcut("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")print(result_lcut)print(" ".join(result_lcut))print(" ".join(jieba.lcut_for_search("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")))

Building prefix dict from the default dictionary ...Loading model from cache C:\Users\lujinyu\AppData\Local\Temp\jieba.cacheLoading model cost 1.599 seconds.Prefix dict has been built succesfully.['小明', '硕士', '毕业', '于', '中国科学院', '计算所', '，', '后', '在', '哈佛大学', '深造']小明 硕士 毕业 于 中国科学院 计算所 ， 后 在 哈佛大学 深造小明 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 哈佛 大学 哈佛大学 深造

添加用户自定义词典
很多时候我们需要针对自己的场景进行分词，会有一些领域内的专有词汇。
•1.可以用jieba.load_userdict(file_name)加载用户字典
•2.少量的词汇可以自己用下面方法手动添加：◾用 add_word(word, freq=None, tag=None) 和 del_word(word) 在程序中动态修改词典
◾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。

print('/'.join(jieba.cut('如果放到旧字典中将出错。', HMM=False)))jieba.suggest_freq(('中', '将'), True)print('/'.join(jieba.cut('如果放到旧字典中将出错。', HMM=False)))

如果/放到/旧/字典/中将/出错/。如果/放到/旧/字典/中/将/出错/。

关键词提取
基于 TF-IDF 算法的关键词抽取
import jieba.analyse
•jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())◾sentence 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
◾withWeight 为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，即不筛选

import jieba.analyse as analyselines = open(r'D:\电视剧\七月在线自然语言处理\第一节\Lecture_1\Lecture_1\NBA.txt', encoding='UTF-8').read()print("  ".join(analyse.extract_tags(lines, topK=20, withWeight=False, allowPOS=())))

韦少  杜兰特  全明星  全明星赛  MVP  威少  正赛  科尔  投篮  勇士  球员  斯布鲁克  更衣柜  张卫平  三连庄  NBA  西部  指导  雷霆  明星队

关于TF-IDF 算法的关键词抽取补充

•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◦自定义语料库示例见这里
◦用法示例见这里

◾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

基于 TextRank 算法的关键词抽取
•jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=(‘ns’, ‘n’, ‘vn’, ‘v’)) 直接使用，接口相同，注意默认过滤词性。
•jieba.analyse.TextRank() 新建自定义 TextRank 实例
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

import jieba.analyse as analyselines = open(r'D:\电视剧\七月在线自然语言处理\第一节\Lecture_1\Lecture_1\NBA.txt', encoding='UTF-8').read()print ("  ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))))print ("---------------------我是分割线----------------")print ("  ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=('ns', 'n'))))

全明星赛  勇士  正赛  指导  对方  投篮  球员  没有  出现  时间  威少  认为  看来  结果  相隔  助攻  现场  三连庄  介绍  嘉宾---------------------我是分割线----------------勇士  正赛  全明星赛  指导  投篮  玩命  时间  对方  现场  结果  球员  嘉宾  时候  全队  主持人  特点  全程  快船队  大伙  照片

词性标注计算所汉语词性标记集
•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。

import jieba.posseg as psegwords = pseg.cut("我爱自然语言处理")for word, flag in words:    print('%s %s' % (word, flag))

我 r爱 v自然语言 l处理 v

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

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。

Tokenize：返回词语在原文的起止位置

注意，输入参数只接受 unicode

import jiebaprint("这是默认模式的tokenize")result = jieba.tokenize(u'自然语言处理非常有用')for tk in result:    print("%s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))print ("\n-----------我是神奇的分割线------------\n")print("这是搜索模式的tokenize")result = jieba.tokenize(u'自然语言处理非常有用', mode='search')for tk in result:    print("%s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

这是默认模式的tokenizeBuilding prefix dict from the default dictionary ...Loading model from cache C:\Users\lujinyu\AppData\Local\Temp\jieba.cacheLoading model cost 1.546 seconds.Prefix dict has been built succesfully.自然语言         start: 0        end:4处理       start: 4        end:6非常       start: 6        end:8有用       start: 8        end:10-----------我是神奇的分割线------------这是搜索模式的tokenize自然       start: 0        end:2语言       start: 2        end:4自然语言         start: 0        end:4处理       start: 4        end:6非常       start: 6        end:8有用       start: 8        end:10[Finished in 2.3s]

ChineseAnalyzer for Whoosh 搜索引擎
•from jieba.analyse import ChineseAnalyzer

import jiebafrom jieba.analyse import ChineseAnalyzerimport sys,ossys.path.append("../")from whoosh.index import create_in,open_dirfrom whoosh.fields import *from whoosh.qparser import QueryParseranalyzer = jieba.analyse.ChineseAnalyzer()schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT(stored=True, analyzer=analyzer))if not os.path.exists("tmp"):    os.mkdir("tmp")ix = create_in("tmp", schema) # for create new index#ix = open_dir("tmp") # for read onlywriter = ix.writer()writer.add_document(    title="document1",    path="/a",    content="This is the first document we’ve added!")writer.add_document(    title="document2",    path="/b",    content="The second one 你 中文测试中文 is even more interesting! 吃水果")writer.add_document(    title="document3",    path="/c",    content="买水果然后来世博园。")writer.add_document(    title="document4",    path="/c",    content="工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作")writer.add_document(    title="document4",    path="/c",    content="咱俩交换一下吧。")writer.commit()searcher = ix.searcher()parser = QueryParser("content", schema=ix.schema)for keyword in ("水果世博园","你","first","中文","交换机","交换"):    print(keyword+"的结果为如下：")    q = parser.parse(keyword)    results = searcher.search(q)    for hit in results:        print(hit.highlights("content"))    print("\n--------------我是神奇的分割线--------------\n")for t in analyzer("我的好朋友是李明;我爱北京天安门;IBM和Microsoft; I have a dream. this is intetesting and interested me a lot"):    print(t.text)

水果世博园的结果为如下：买<b class="match term0">水果</b>然后来<b class="match term1">世博园</b>--------------我是神奇的分割线--------------你的结果为如下：second one <b class="match term0">你</b> 中文测试中文 is even more interesting--------------我是神奇的分割线--------------first的结果为如下：<b class="match term0">first</b> document we’ve added--------------我是神奇的分割线--------------中文的结果为如下：second one 你 <b class="match term0">中文</b>测试<b class="match term0">中文</b> is even more interesting--------------我是神奇的分割线--------------交换机的结果为如下：干事每月经过下属科室都要亲口交代24口<b class="match term0">交换机</b>等技术性器件的安装工作--------------我是神奇的分割线--------------交换的结果为如下：咱俩<b class="match term0">交换</b>一下吧干事每月经过下属科室都要亲口交代24口<b class="match term0">交换</b>机等技术性器件的安装工作--------------我是神奇的分割线--------------我好朋友是李明我爱北京天安天安门ibmmicrosoftdreamintetestinterestmelot

命令行分词

使用示例：python -m jieba news.txt > cut_result.txt

命令行选项（翻译）：
使用: python -m jieba [options] filename

结巴命令行界面。

固定参数:
filename 输入文件

可选参数:
-h, –help 显示此帮助信息并退出
-d [DELIM], –delimiter [DELIM]
使用 DELIM 分隔词语，而不是用默认的’ / ‘。
若不指定 DELIM，则使用一个空格分隔。
-p [DELIM], –pos [DELIM]
启用词性标注；如果指定 DELIM，词语和词性之间
用它分隔，否则用 _ 分隔
-D DICT, –dict DICT 使用 DICT 代替默认词典
-u USER_DICT, –user-dict USER_DICT
使用 USER_DICT 作为附加词典，与默认词典或自定义词典配合使用
-a, –cut-all 全模式分词（不支持词性标注）
-n, –no-hmm 不使用隐含马尔可夫模型
-q, –quiet 不输出载入信息到 STDERR
-V, –version 显示版本信息并退出

如果没有指定文件名，则使用标准输入。

–help 选项输出：
$> python -m jieba –help
Jieba command line interface.

positional arguments:
filename input file

optional arguments:
-h, –help show this help message and exit
-d [DELIM], –delimiter [DELIM]
use DELIM instead of ’ / ’ for word delimiter; or a
space if it is used without DELIM
-p [DELIM], –pos [DELIM]
enable POS tagging; if DELIM is specified, use DELIM
instead of ‘_’ for POS delimiter
-D DICT, –dict DICT use DICT as dictionary
-u USER_DICT, –user-dict USER_DICT
use USER_DICT together with the default dictionary or
DICT (if specified)
-a, –cut-all full pattern cutting (ignored with POS tagging)
-n, –no-hmm don’t use the Hidden Markov Model
-q, –quiet don’t print loading messages to stderr
-V, –version show program’s version number and exit

If no filename specified, use STDIN instead