“结巴”中文分词：做最好的 Python 中文分词组件
特点
支持四种分词模式：
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。
paddle模式，利用PaddlePaddle深度学习框架，训练序列标注（双向GRU）网络模型实现分词。同时支持词性标注。paddle模式使用需安装paddlepaddle-tiny，pip install paddlepaddle-tiny==1.6.1。目前paddle模式支持jieba v0.40及以上版本。jieba v0.40以下版本，请升级jieba，pip install jieba –upgrade 。PaddlePaddle官网
支持繁体分词
支持自定义词典
MIT 授权协议
安装说明
代码对 Python 2/3 均兼容
全自动安装：easy_install jieba 或者 pip install jieba / pip3 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
如果需要使用paddle模式下的分词和词性标注功能，请先安装paddlepaddle-tiny，pip install paddlepaddle-tiny==1.6.1。
算法
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 模型，使用了 Viterbi 算法
主要功能
1,分词
主要分词功能
jieba.cut 和jieba.lcut
lcut 将返回的对象转化为list对象返回
def cut(self, sentence, cut_all=False, HMM=True, use_paddle=False):
# sentence: 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;
# use_paddle: 参数用来控制是否使用paddle模式下的分词模式，paddle模式采用延迟加载方式，通过enable_paddle接口安装paddlepaddle-tiny
精准模式（默认）:
seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("精准模式: " + "/ ".join(seg_list)) # 精确模式
'''精准模式: 我/ 来到/ 北京/ 清华大学'''
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；
import jieba
seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print("全模式: " + "/ ".join(seg_list)) # 全模式
'''全模式: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学'''
paddle模式
利用PaddlePaddle深度学习框架，训练序列标注（双向GRU）网络模型实现分词。同时支持词性标注。
paddle模式使用需安装paddlepaddle-tiny，pip install paddlepaddle-tiny==1.6.1。
目前paddle模式支持jieba v0.40及以上版本。
jieba v0.40以下版本，请升级jieba，pip installjieba –upgrade。 PaddlePaddle官网
如果版本有问题 会报错：
AssertionError: In PaddlePaddle 2.x, we turn on dynamic graph mode by default, and ‘data()’ is only supported in static graph mode. So if you want to use this api, please call ‘paddle.enable_static()’ before this api to enter static graph mode.
import jieba
# 通过enable_paddle接口安装paddlepaddle-tiny，并且import相关代码；
jieba.enable_paddle() # 初次使用可以自动安装并导入代码
seg_list = jieba.cut(str, use_paddle=True)
print('Paddle模式: ' + '/'.join(list(seg_list)))
搜索引擎模式 jieba.cut_for_search 和 jieba.lcut_for_search
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
import jieba
seg_list = jieba.cut_for_search("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") # 搜索引擎模式
print(", ".join(seg_list))
'''
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, 索引, 引擎, 搜索引擎, 分词
'''新建自定义分词器 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
import jieba
test_sent = "巨人网络科技有限公司"
result = jieba.tokenize(test_sent) ##Tokenize：返回词语在原文的起始位置
print(result)
for tk in result:
print ("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]) )
print(tk)
'''
word 巨人 start: 0 end:2
('巨人', 0, 2)
word 网络科技 start: 2 end:6
('网络科技', 2, 6)
word 有限公司 start: 6 end:10
('有限公司', 6, 10)'''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。
jieba.load_userdict(dict_path) # dict_path为文件类对象或自定义词典的路径。
jieba.load_userdict(dict_path)函数用于加载用户自定义的词典文件或文件类对象，以便jieba分词时使用。用户自定义词典可以用于纠正jieba分词过程中无法识别的专有名词、品牌、人名、地名等实体名称，或者用于添加新词。
当jieba分词遇到未登录词（jieba词典中没有的词）时，会采用基于汉字单字的 HMM 模型进行切分，这种方法虽然可以应对大多数情况，但是对于专有名词、品牌、人名、地名等实体名称，效果可能不尽如人意。此时，可以使用用户自定义词典来纠正jieba分词的切分结果，提高分词的准确性。
用户自定义词典可以是一个文本文件，每行一个词语，每行的格式为：词语、词频、词性（可选，用于词性标注）。也可以是一个文件类对象，例如字符串IO对象。默认情况下，jieba分词使用的是内置词典，用户自定义的词典会与内置词典合并后一起使用。
使用自定义词典时，可以添加新词，但是需要注意一些规则，例如避免与现有的词汇冲突，避免过度添加无用词汇等。同时也需要注意，添加自定义词汇并不一定能够改善分词的效果，还需要结合具体的应用场景进行适当调整。
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。
使用自定义词典示例：
假设我们有一段文本：“这家餐厅的牛肉面很好吃，我特别喜欢他们的面条和牛肉，强烈推荐！”。我们希望jieba分词能够正确地将“牛肉面”、“面条”、“牛肉”等词汇切分出来，而不是将其切分为“牛肉”、“面”等单独的词汇。此时，我们可以创建一个自定义词典文件，包含这些实体名称：
牛肉面
面条
牛肉然后，使用jieba.load_userdict()函数加载自定义词典：
import jieba
# 加载自定义词典
jieba.load_userdict('mydict.txt')
# 分词
text = '这家餐厅的牛肉面很好吃，我特别喜欢他们的面条和牛肉，强烈推荐！'
words = jieba.cut(text)
print('/'.join(words))最终输出的分词结果为：
这家餐厅/的/牛肉面/很/好吃/，/我/特别/喜欢/他们/的/面条/和/牛肉/，/强烈推荐/！可以看到，自定义词典中的词汇被正确地切分出来了。需要注意的是，如果自定义的词汇与jieba默认词典中的词汇有重叠，那么自定义词典中的词汇会覆盖默认词典中的同名词汇。因此，在添加自定义词汇时，需要避免与现有的词汇冲突。
使用 jieba 在程序中动态修改词典
通过 jieba.add_word() 方法添加了两个词语 “中信建投” 和 “投资公司”，使得分词结果中能够正确地将这两个词语作为一个整体进行分割。
通过 jieba.del_word() 方法删除了词语 “中信建投”，使得分词结果中不再将其作为一个整体进行分割。
最后使用 jieba.cut() 方法对示例句子进行分词，得到了分词结果。
import jieba
# 定义示例句子
test_sent = "中信建投投资公司投资了一款游戏,中信也投资了一个游戏公司"
#添加词
jieba.add_word('中信建投')
jieba.add_word('投资公司')
# 删除词
jieba.del_word('中信建投')
words = jieba.cut(test_sent)
print(list(words))
#-----output------
['中信', '建投', '投资公司', '投资', '了', '一款', '游戏', ',', '中信', '也', '投资', '了', '一个', '游戏', '公司']
关键词提取
基于TF-IDF算法的关键词提取
jieba.analyse.extract_tags(sentence, topK=20, withWeight=False,allowPOS=())
其中需要说明的是：
1.sentence 为待提取的文本
2.topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20
3.withWeight 为是否一并返回关键词权重值，默认值为 False
4.allowPOS 仅包括指定词性的词，默认值为空，即不筛选
jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件
import jieba.analyse
#读取文件,返回一个字符串，使用utf-8编码方式读取，该文档位于此python同以及目录下
# content = open('data.txt','r',encoding='utf-8').read()
content='ChatGPT科研神器：论文翻译润色一键搞定，还能帮你读代码 | GitHub热榜'
tags = jieba.analyse.extract_tags(content,topK=10,withWeight=True,allowPOS=("nr"))
print(tags)
'''
content 为待提取关键词的文本内容。
topK 为返回关键词的数量，默认为20。
withWeight 为是否返回每个关键词的权重值，默认为False。
allowPOS 为仅考虑指定词性的词语，默认为空，表示不限制词性。在上述例子中，指定了词性为 "nr"，即只提取文本中的人名。
最终返回的结果是一个列表，其中每个元素为一个二元组，第一个元素为关键词，第二个元素为其权重值（若 withWeight 参数为True）。例如，返回结果中的第一个元素可能为 ('张三', 0.123)。
[('一键', 2.19124773456), ('润色', 2.0579519478600004), ('神器', 1.9680469282859998), ('科研', 1.567378488658), ('代码', 1.434888849924)]
'''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：
劳动防护 13.900677652 勞動防護 13.900677652 生化学 13.900677652 生化學 13.900677652 奥萨贝尔 13.900677652 奧薩貝爾 13.900677652 考察队员 13.900677652 考察隊員 13.900677652 岗上 11.5027823792 崗上 11.5027823792 倒车档 12.2912397395 倒車檔 12.2912397395 编译 9.21854642485 編譯 9.21854642485 蝶泳 11.1926274509 外委 11.8212361103
jieba.analyse.extract_tags(sentence, topK=20, withWeight=False,allowPOS=())
其中需要说明的是：
1.sentence 为待提取的文本
2.topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20
3.withWeight 为是否一并返回关键词权重值，默认值为 False
4.allowPOS 仅包括指定词性的词，默认值为空，即不筛选
jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件
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
自定义语料库示例：
import jieba
import jieba.analyse
#读取文件,返回一个字符串，使用utf-8编码方式读取，该文档位于此python同以及目录下
content = open(u'data.txt','r',encoding='utf-8').read()
jieba.analyse.set_stop_words("stopwords.txt")
tags = jieba.analyse.extract_tags(content, topK=10)
print(",".join(tags))
关键词一并返回关键词权重值示例
import jieba
import jieba.analyse
#读取文件,返回一个字符串，使用utf-8编码方式读取，该文档位于此python同以及目录下
content = open(u'data.txt','r',encoding='utf-8').read()
jieba.analyse.set_stop_words("stopwords.txt")
tags = jieba.analyse.extract_tags(content, topK=10,withWeight=True)
print(tags)
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。
用法示例
import jieba.posseg as pseg
words = pseg.cut("我爱北京天安门")
for word, flag in words:
print('%s %s' % (word, flag))
# ----output--------
我 r
爱 v
北京 ns
天安门 ns
词性对照表
并行分词
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。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
参考案例：注意：基于 python 自带的 multiprocessing 模块，目前暂不支持 Windows
import sys
import time
sys.path.append("../../")
import jieba
jieba.enable_parallel()
url = sys.argv[1]
content = open(url,"rb").read()
t1 = time.time()
words = "/ ".join(jieba.cut(content))
t2 = time.time()
tm_cost = t2-t1
log_f = open("1.log","wb")
log_f.write(words.encode('utf-8'))
print('speed %s bytes/second' % (len(content)/tm_cost))
Tokenize：返回词语在原文的起止位置
默认模式
注意，输入参数只接受 unicode
import jieba
import jieba.analyse
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]))
# ----output-------
word 永和 start: 0 end:2
word 服装 start: 2 end:4
word 饰品 start: 4 end:6
word 有限公司 start: 6 end:10
搜索模式
import jieba
import jieba.analyse
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]))
# ----output-------
word 永和 start: 0 end:2
word 服装 start: 2 end:4
word 饰品 start: 4 end:6
word 有限 start: 6 end:8
word 公司 start: 8 end:10
word 有限公司 start: 6 end:10
搜索引擎ChineseAnalyzer for Whoosh
使用 jieba 和 whoosh 可以实现搜索引擎功能。
whoosh 是由python实现的一款全文搜索工具包，可以使用 pip 安装它：
pip install whoosh
介绍 jieba + whoosh 实现搜索之前，你可以先看下文 whoosh 的简单介绍。
下面看一个简单的搜索引擎的例子
import os
import shutil
from whoosh.fields import *
from whoosh.index import create_in
from whoosh.qparser import QueryParser
from jieba.analyse import ChineseAnalyzer
analyzer = ChineseAnalyzer()
schema = Schema(title=TEXT(stored=True),
path=ID(stored=True),
content=TEXT(stored=True,
analyzer=analyzer))
if not os.path.exists("test"):
os.mkdir("test")
else:
# 递归删除目录
shutil.rmtree("test")
os.mkdir("test")
idx = create_in("test", schema)
writer = idx.writer()
writer.add_document(
title=u"document1",
path="/tmp1",
content=u"Tracy McGrady is a famous basketball player, the elegant basketball style of him attract me")
writer.add_document(
title=u"document2",
path="/tmp2",
content=u"Kobe Bryant is a famous basketball player too , the tenacious spirit of him also attract me")
writer.add_document(
title=u"document3",
path="/tmp3",
content=u"LeBron James is the player i do not like")
writer.commit()
searcher = idx.searcher()
parser = QueryParser("content", schema=idx.schema)
for keyword in ("basketball", "elegant"):
print("searched keyword ",keyword)
query= parser.parse(keyword)
print(query,'------')
results = searcher.search(query)
for hit in results:
print(hit.highlights("content"))
print("="*50)
延迟加载
ieba 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。
代码展示了jieba库中的 initialize() 方法，该方法用于手动初始化分词器，其参数列表如下：
dict_path：主词典的路径（默认为None，表示使用默认路径）。
user_dict：用户自定义词典的路径（默认为None，表示不使用自定义词典）。
cache_file：缓存文件的路径（默认为None，表示不使用缓存）。
在一些特殊情况下，可能需要手动初始化分词器，例如：
在多线程环境下使用分词器时，需要在每个线程中手动初始化分词器。
在使用自定义词典或缓存文件时，需要手动指定路径进行初始化。
需要注意的是，在大多数情况下，不需要手动初始化分词器，使用默认参数即可。
import jieba
jieba.initialize() # 手动初始化（可选）
上面代码中，使用 add_document() 把一个文档添加到了 index 中。在这些文档中，搜索含有 “basketball”和 “elegant” 的文档。
————————————————
版权声明：本文为CSDN博主「TFATS」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/TFATS/article/details/108810284
