jieba中文分词（python）

问题小结

1.安装

　　需要用到python,根据python2.7选择适当的安装包。先下载http://pypi.python.org/pypi/jieba/ ，解压后运行python setup.py install

　　若需要安装到myeclipse，

　　　　1.首先需要myeclipse能支持python,安装pydev。不同的pydev对于环境的要求不同，注意看jre的要求。

　　　　   这一步的操作可以参考 http://blog.csdn.net/cssmhyl/article/details/22812609

　　　　2.导入jieba,Preference->PyDev->Eidtor->interpreter-Python.

　　　　   选择下面的Libraries，选择New Folder，将结巴的安装目录加入即可，在linux下使用easy_install

　　　   　这一步的操作可以参考http://blog.csdn.net/pzy20062141/article/details/48730941

2. 中文注释报错

　　在代码最前面加上

#!/usr/bin/python
# -*- coding: utf-8 -*- 

3.分词

　　结巴中文分词支持的三种分词模式包括：
        (1) 精确模式：试图将句子最精确地切开，适合文本分析；
        (2) 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，但是不能解决歧义问题；
        (3) 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。

　　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

　　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
　　注意：待分词的字符串可以是gbk字符串、utf-8字符串或者unicode
　　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

示例代码：

#encoding=utf-8
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
seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print "Default Mode:", "/ ".join(seg_list)  # 精确模式
seg_list = jieba.cut("他来到了网易杭研大厦")  # 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，后在日本京都大学深造")  # 搜索引擎模式
print ", ".join(seg_list)

4.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(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

　　 强烈推荐一篇词性标注文章，链接如下：
        　　http://www.hankcs.com/nlp/part-of-speech-tagging.html
　　中文分词库：http://www.oschina.net/project/tag/264/segment

5.去除停用词

　　少量可以用下面第一种方式手写介入，否则用第二种导入文件，文件要求一行一词

 stopwords = {}.fromkeys([‘的‘, ‘包括‘, ‘等‘, ‘是‘])

#stop words
    stopkey = [line.strip().decode('utf-8') for line in open('stopkey.txt').readlines()]

6.提取关键词

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

7.词性标注

　　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 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

8.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

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

import sys
import time
sys.path.append("../../")
import jieba

jieba.enable_parallel(4)

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))

　　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。

9.tokenize：返回词语在原文的起始位置

　　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: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：

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: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

10. ChineseAnalyzer for Whoosh搜索引擎

　　引用： from jieba.analyse import ChineseAnalyzer

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

11.lazy load

　　jieba采用延迟加载，"import jieba"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trie。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）

jieba.set_dictionary('data/dict.txt.big')

#encoding=utf-8
import sys
sys.path.append("../")
import jieba

def cuttest(test_sent):
result = jieba.cut(test_sent)
print " ".join(result)

def testcase():
cuttest("这是一个伸手不见五指的黑夜。我叫孙悟空，我爱北京，我爱Python和C++。")
cuttest("我不喜欢日本和服。")
cuttest("雷猴回归人间。")
cuttest("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")
cuttest("我需要廉租房")
cuttest("永和服装饰品有限公司")
cuttest("我爱北京天安门")
cuttest("abc")
cuttest("隐马尔可夫")
cuttest("雷猴是个好网站")

if __name__ == "__main__":
testcase()
jieba.set_dictionary("foobar.txt")
print "================================"
testcase()

常见问题

1）模型的数据是如何生成的？https://github.com/fxsjy/jieba/issues/7

2）这个库的授权是? https://github.com/fxsjy/jieba/issues/2

更多问题请点击：https://github.com/fxsjy/jieba/issues?sort=updated&state=closed

本文参考：http://www.oschina.net/p/jieba    http://www.mamicode.com/info-detail-1152559.html