python中文分词工具：结巴分词jieba
结巴分词jieba 特点支持三种分词模式：
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。
支持繁体分词
支持自定义词典
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，使用了算法
分词方法说明
jieba.cut 方法接受三个输入参数: 需要分词的字符串； 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. 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
待分词的字符串可以是或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8
jieba.cut 以及 jieba. 返回的结构都是一个可迭代的 ，可以使用 for 循环来获得分词后得到的每一个词语()，或者用
jieba.lcut 以及 jieba. 直接返回 list，建议使用list(cul())来转换，源码也是这样做的，少一步函数调用。
jieba.(=) 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。
添加自定义词典
载入词典
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
用法： jieba.() #为文件类对象或自定义词典的路径
词典格式和 dict.txt 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。
词频省略时使用自动计算的能保证分出该词的词频。
例如：
创新办 3 i
云计算 5
凱特琳 nz
台中
更改分词器
（默认为 jieba.dt）的和属性，可分别指定缓存文件所在的文件夹及其文件名，用于受限的文件系统。
范例：
自定义词典：
用法示例：
之前： 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /
加载自定义词库后：李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /
调整词典
使用 (word, freq=None, tag=None) 和 (word) 可在程序中动态修改词典。
使用 (, tune=True) 可调节单个词语的词频，使其能（或不能）被分出来。
注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。
代码示例：
>>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
如果/放到/post/中将/出错/。
>>> jieba.(('中', '将'), True)
494
>>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
如果/放到/post/中/将/出错/。
>>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
「/台/中/」/正确/应该/不会/被/切开
>>> jieba.('台中', True)
69
>>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
「/台中/」/正确/应该/不会/被/切开
"通过用户自定义词典来增强歧义纠错能力" ---
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
基于自带的模块，目前暂不支持
用法：
jieba.(4) # 开启并行分词模式，参数为并行进程数
jieba.() # 关闭并行分词模式
例子：
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..dt。
jieba分词的安装 虚拟环境中安装
cd/media/pika/files/mine/ENV/
pika:/media/pika/files/mine/ENV/$. bin/
() pika:/media/pika/files/mine/ENV/$pipjieba
直接在系统中安装使用
pipjieba
或者安装到中：pip3jieba
皮皮Blog
jieba中文分词的使用 示例1：不同切分模式
代码示例
<p><pre class="has"> <code># 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))</code></pre></p>
输出:
<p><pre class="has"> <code>【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
【精确模式】: 我/ 来到/ 北京/ 清华大学
【新词识别】：他, 来到, 了, 网易, 杭研, 大厦 (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)
【搜索引擎模式】： 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, 日本, 京都, 大学, 日本京都大学, 深造</code></pre></p>
示例2：自定义词典
<p><pre> <code class="language-html hljs">import jieba
sentences = ["我喜欢吃土豆","土豆是个百搭的东西","我不喜欢今天雾霾的北京", 'costumer service']
# jieba.suggest_freq('雾霾', True)
# jieba.suggest_freq('百搭', True)
words =
print(words)
[['我', '喜欢', '吃', '土豆'],
['土豆', '是', '个', '百搭', '的', '东西'],
['我', '不', '喜欢', '今天', '雾霾', '的', '北京'],
['costumer', ' ', 'service']]
</code></pre></p>
[]
皮皮Blog
from:
ref: 官网*
页:
[1]