jieba中文处理

一：前言

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。

二：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 jieba
 
list0 = jieba.cut('小明硕士毕业于中国科学院计算所，后在哈佛大学深造', cut_all=True)
print('全模式', list(list0))
# ['小', '明', '硕士', '毕业', '于', '中国', '中国科学院', '科学', '科学院', '学院', '计算', '计算所', '', '', '后', '在', '哈佛', '哈佛大学', '大学', '深造']
list1 = jieba.cut('小明硕士毕业于中国科学院计算所，后在哈佛大学深造', cut_all=False)
print('精准模式', list(list1))
# ['小明', '硕士', '毕业', '于', '中国科学院', '计算所', '，', '后', '在', '哈佛大学', '深造']
list2 = 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')
print('搜索引擎模式', list(list2))
# ['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。

　　加载用户词典方式：

# 未加载用户词典时
st1=jieba.cut('王蒋小明在加州理工大学上学')
# ['王', '蒋小明', '在', '加州', '理工大学', '上学']
print(list(st1))
 
# 加载用户词典时
# jieba自带的库一般在python都为site-packages\jieba\dict.txt
jieba.load_userdict('d.txt')
# 词典格式和dict.txt一样，一词一行，每行分三个部分（用空格隔开），词语 词频（可省） 词性（可省）
# 顺序不可颠倒，若filename为路径或二进制方式打开，则需为UTF-8
# 定义： 王蒋小明 加州理工大学 在d.txt中
st2=jieba.cut('王蒋小明在加州理工大学上学')
# ['王蒋小明', '在', '加州理工大学', '上学']
print(list(st2))

　　调节词频

a=jieba.cut('在考试中将有监控')
print(list(a)) # ['在', '考试', '中将', '有', '监控']
jieba.suggest_freq(('中','将'),True) # 通过调节词频，让中和将都被划出来
b=jieba.cut('在考试中将有监控')
print(list(b)) # ['在', '考试', '中', '将', '有', '监控']

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 analyse
lines = open('西游记.txt','r',encoding='utf8').read() # 西游记.txt为整本西游记小说
lists0=analyse.extract_tags(lines, topK=20, withWeight=False, allowPOS=())
print(list(lists0)) # 抽出整本小说的关键字
# ['行者', '八戒', '师父', '三藏', '唐僧', '大圣', '沙僧', '妖精', '菩萨', '和尚', '那怪', '那里', '长老', '呆子', '徒弟', '怎么', '不知', '老孙', '国王', '一个']

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
    • 用法示例
  • 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
    • 用法示例

• 关键词一并返回关键词权重值示例

  • 用法示例

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。
• 具体的词性对照表

import jieba.posseg as pseg
words = pseg.cut("我爱我的祖国")
for word, flag in words:
    print('%s %s' % (word, flag))
# 我 r
# 爱 v
# 我 r
# 的 uj
# 祖国 n

Tokenize：返回词语在原文的起止位置

注意，输入参数只接受 unicode

print("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==================================================\n")
print("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]))
"""
默认模式的tokenize
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
 
==================================================
 
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
"""