点击上方"蓝字"关注我们
记录 分享 成长
1. jieba的江湖地位
NLP（自然语言）领域现在可谓是群雄纷争，各种开源组件层出不穷，其中一支不可忽视的力量便是jieba分词，号称要做最好的 Python 中文分词组件。
“最好的”这三个字可不是空穴来风，jieba在开源社区的受欢迎程度非常之高。
jieba项目目前的github star数已经达到24k，其他热门分词组件像HanLP star数20k、ansj_seg star数5.6k、pkuseg-python star数5k。可见jieba已经稳居中文分词领域c位。
jieba的主要功能是做中文分词，可以进行简单分词、并行分词、命令行分词，当然它的功能不限于此，目前还支持关键词提取、词性标注、词位置查询等。
更让人愉悦的是jieba虽然立足于python，但同样支持其他语言和平台，诸如：C++、Go、R、Rust、Node.js、PHP、 iOS、Android等。所以jieba能满足各类开发者的需求。
2. 如何学jieba
据我所知，jieba最靠谱的文档是github项目的readme，因为它似乎还没有独立的使用文档。但由于使用起来简单，看readme也能快速上手。https://github.com/fxsjy/jieba
国内各大博客有关于jieba的使用教程，但需要甄别下准确度和时效性，因为jieba项目一直在更新。
当然本文不是纯粹的种草文章，会简单介绍下jieba的使用方法。
3. 安装jieba
jieba支持pip或者conda安装，直接在命令行执行：
pip install jieba
不出意外，应该能很快安装好。
你也可以下载jieba安装包再安装，jieba的pypi地址：http://pypi.python.org/pypi/jieba/
4. 分词初体验
分词是NLP处理的第一步，也是最基本的任务，分词的好坏直接决定了后面语义分析的精准度。
所谓分词就是将一段表述里的词汇进行分解，比如“我爱中国”，分解后有三个词：我、爱、中国，词性分别是名词、动词、名词。
jieba库中用于分词的方法有三个：
jieba.cut
给定中文字符串，分解后返回一个迭代器，需要用for循环访问。
参数解释：
「strs」：需要分词的字符串；
「cut_all」：用来控制是否采用全模式；
「HMM」：用来控制是否使用 HMM 模型；
「use_paddle」：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，并且import相关代码；
这里区分全模式和精确模式，举个例子先看看区别：
# 全模式
seg_list = jieba.cut("中国上海是一座美丽的国际性大都市", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list))
# 返回结果
Full Mode: 中国/ 上海/ 是/ 一座/ 美丽/ 的/ 国际/ 国际性/ 大都/ 大都市/ 都市
# 精确模式
seg_list = jieba.cut("中国上海是一座美丽的国际性大都市", cut_all=False)
print("Full Mode: " + "/ ".join(seg_list))
# 返回结果
Default Mode: 中国/ 上海/ 是/ 一座/ 美丽/ 的/ 国际性/ 大都市
可以看到，全模式把句子中所有的可以成词的词语都扫描出来, 会出现一词多用、一词多意。精确模式将句子最精确的切分开，每个词都只有一种含义。
jieba.cut方法默认是精确模式。
还有一个参数控制paddle模式，会更加精确，使用这个的前提是你需要先安装paddlepaddle-tiny。
安装命令：pip install paddlepaddle-tiny==1.6.1
详情可以去官网看下，这里不举例。
jieba.cut_for_search
该方法和cut一样，分解后返回一个迭代器，需要用for循环访问。不过它是搜索引擎模式，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。
参数解释：
「strs」：需要分词的字符串；
「HMM」：是否使用 HMM 模型，默认值为 True。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。
# 搜索引擎模式
seg_list = jieba.cut_for_search("中国上海是一座美丽的国际性大都市，拥有复旦大学、上海交通大学等知名高等学府")
print(", ".join(seg_list))
# 返回结果
Search Mode: 中国, 上海, 是, 一座, 美丽, 的, 国际, 国际性, 大都, 都市, 大都市, ，, 拥有, 复旦, 大学, 复旦大学, 、, 上海, 交通, 大学, 上海交通大学, 等, 知名, 高等, 学府, 高等学府
jieba.lcut
和jieba.cut使用方法一样，不过返回的是列表。
cut和cut_for_search方法都是支持繁体字的。
5. 添加自定义词典
如果是对专业新闻或者小说进行分词，会有很多的新词汇，jieba库里没有就没办法识别，那么就需要添加自定义的词汇，比如：奥利给。
添加自定义词汇的方法：jieba.load_userdict(file_name)参数是文本文件，txt、csv都可以。
自定义词典文件的词汇格式是一个词占一行，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。比如：
以"奥利给，管虎执导的八佰是一部让人热血沸腾的好电影。" 这段话为例， 如果不添加自定义词典，很多词没办法识别出来。
# 不添加自定义词典
seg_list = jieba.cut("奥利给，管虎执导的八佰是一部让人热血沸腾的好电影")
print("/ ".join(seg_list))
# 返回结果
奥利/ 给/ ，/ 管虎/ 执导/ 的/ 八佰是/ 一部/ 让/ 人/ 热血沸腾/ 的/ 好/ 电影
添加自定义词典后，新词、人名、电影名都可以识别出来
# 载入词典
jieba.load_userdict("dict.txt")
seg_list = jieba.cut("奥利给，管虎执导的八佰是一部让人热血沸腾的好电影")
print("/ ".join(seg_list))
# 返回结果
奥利给/ ，/ 管虎/ 执导/ 的/ 八佰/ 是/ 一部/ 让/ 人/ 热血沸腾/ 的/ 好/ 电影
6. 结论
jieba无疑是一款优秀的分词工具，而且在不断地优化成长。前面讲了一些基本的使用，大家还可以尝试使用停用词、提取关键词、词性标注、词位置查询等功能，也是十分的便捷。
添加微信号"CNFeffery"加入技术交流群
Python大数据分析
data creates value
扫码关注我们
文章评论