7.1.3. JieBa — nlp-docs v2019.03.19 文档

友情链接¶. https://github.com/baidu/lac 百度中文词法分析（分词+词性+专名）系统 ... 自定义词典：https://github.com/fxsjy/jieba/blob/master/test/userdict.txt. nlp-docs 1.自然语言处理 2.自然语言处理作者 3.算法汇总 4.awesome-nlp 5.云处理 6.语料库 7.常用分词工具包 7.1.##菜单 7.1.1.FoolNLTK 7.1.2.train 7.1.3.JieBa 7.1.3.1.特点 7.1.3.2.友情链接 7.1.3.3.安装说明 7.1.3.4.算法 7.1.3.5.主要功能 7.1.3.6.延迟加载机制 7.1.3.7.其他词典 7.1.3.8.其他语言实现 7.1.3.9.系统集成 7.1.3.10.分词速度 7.1.3.11.常见问题 7.1.3.12.修订历史 7.1.4.CppJieba 7.1.5.NodeJieba 7.1.6.HanLP 7.1.7.Jcseglogo 7.1.8.Jiagu 7.1.9.Keras 7.1.10.x_trainandy_trainareNumpyarrays–justlikeintheScikit-LearnAPI. 7.1.11.PyTorch 7.1.12.SnowNLP 7.1.13.spacy 7.1.14.斯坦福-StanfordNLP 7.1.15.清华-THULAC 7.1.16.TensorFlow 7.1.17.Ansj中文分词 7.1.18.👍🏻表库 7.1.19.玻森数据 7.1.20.哈工大-LTP 7.1.21.中科院-NLPIR 7.1.22.NLTK 7.1.23.北大-pkuseg 7.1.24.scikit-learn 7.1.25.sego 8.在线分析工具 9.论文||文章 10.敏感词 11.术语表 nlp-docs Docs» 7.常用分词工具包» 7.1.3.JieBa Viewpagesource 7.1.3.JieBa¶ jieba结巴分词 “结巴”中文分词：做最好的Python中文分词组件 7.1.3.1.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 MIT授权协议 7.1.3.2.友情链接¶ https://github.com/baidu/lac百度中文词法分析（分词+词性+专名）系统 https://github.com/baidu/AnyQ百度FAQ自动问答系统 https://github.com/baidu/Senta百度情感识别系统 7.1.3.3.安装说明¶ 代码对Python2/3均兼容 全自动安装：easy_installjieba或者pipinstalljieba/ pip3installjieba 半自动安装：先下载http://pypi.python.org/pypi/jieba/，解压后运行 pythonsetup.pyinstall 手动安装：将jieba目录放置于当前目录或者site-packages目录 通过importjieba来引用 7.1.3.4.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 7.1.3.5.主要功能¶ 7.1.3.5.1.1.分词¶ 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 待分词的字符串可以是unicode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.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)，或者用 jieba.lcut以及jieba.lcut_for_search直接返回list 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。

代码示例 #encoding=utf-8 importjieba seg_list=jieba.cut("我来到北京清华大学",cut_all=True) print("FullMode:"+"/".join(seg_list))#全模式 seg_list=jieba.cut("我来到北京清华大学",cut_all=False) print("DefaultMode:"+"/".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)) 输出: 【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 7.1.3.5.2.2.添加自定义词典¶ 7.1.3.5.2.1.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.load_userdict(file_name)#file_name 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。

file_name 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3i 云计算5 凱特琳nz 台中 更改分词器（默认为jieba.dt）的tmp_dir和cache_file 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：https://github.com/fxsjy/jieba/blob/master/test/userdict.txt 用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py *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/ 7.1.3.5.2.2.调整词典¶ 使用add_word(word,freq=None,tag=None)和del_word(word) 可在程序中动态修改词典。

使用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。

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.suggest_freq(('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.suggest_freq('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”— https://github.com/fxsjy/jieba/issues/14 7.1.3.5.3.3.关键词提取¶ 7.1.3.5.3.1.基于TF-IDF算法的关键词抽取¶ importjieba.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 jieba.analyse.TFIDF(idf_path=None)新建TFIDF实例，idf_path为IDF 频率文件 代码示例（关键词提取） https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py 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：https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.py 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：https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.py 关键词一并返回关键词权重值示例 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_with_weight.py 7.1.3.5.3.2.基于TextRank算法的关键词抽取¶ jieba.analyse.textrank(sentence,topK=20,withWeight=False, allowPOS=(‘ns’,‘n’,‘vn’,‘v’)) 直接使用，接口相同，注意默认过滤词性。

jieba.analyse.TextRank()新建自定义TextRank实例 算法论文：TextRank:BringingOrderinto Texts 7.1.3.5.3.2.1.基本思想:¶ 将待抽取关键词的文本进行分词 以固定窗口大小(默认为5，通过span 属性调整)，词之间的共现关系，构建图 计算图中节点的PageRank，注意是无向带权图 7.1.3.5.3.2.2.使用示例:¶ 见 test/demo.py 7.1.3.5.4.4.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 >>>importjieba.possegaspseg >>>words=pseg.cut("我爱北京天安门") >>>forword,flaginwords: ...print('%s%s'%(word,flag)) ... 我r 爱v 北京ns 天安门ns 7.1.3.5.5.5.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 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 例子：https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py 实验结果：在4核3.4GHzLinux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.posseg.dt。

7.1.3.5.6.6.Tokenize：返回词语在原文的起止位置¶ 注意，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') fortkinresult: print("word%s\t\tstart:%d\t\tend:%d"%(tk[0],tk[1],tk[2])) word永和start:0end:2 word服装start:2end:4 word饰品start:4end:6 word有限公司start:6end:10 搜索模式 result=jieba.tokenize(u'永和服装饰品有限公司',mode='search') fortkinresult: print("word%s\t\tstart:%d\t\tend:%d"%(tk[0],tk[1],tk[2])) word永和start:0end:2 word服装start:2end:4 word饰品start:4end:6 word有限start:6end:8 word公司start:8end:10 word有限公司start:6end:10 7.1.3.5.7.7.ChineseAnalyzerforWhoosh搜索引擎¶ 引用：fromjieba.analyseimportChineseAnalyzer 用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py 7.1.3.5.8.8.命令行分词¶ 使用示例：python-mjiebanews.txt>cut_result.txt 命令行选项（翻译）： 使用:python-mjieba[options]filename 结巴命令行界面。

固定参数: filename输入文件 可选参数: -h,--help显示此帮助信息并退出 -d[DELIM],--delimiter[DELIM] 使用DELIM分隔词语，而不是用默认的'/'。

若不指定DELIM，则使用一个空格分隔。

-p[DELIM],--pos[DELIM] 启用词性标注；如果指定DELIM，词语和词性之间 用它分隔，否则用_分隔 -DDICT,--dictDICT使用DICT代替默认词典 -uUSER_DICT,--user-dictUSER_DICT 使用USER_DICT作为附加词典，与默认词典或自定义词典配合使用 -a,--cut-all全模式分词（不支持词性标注） -n,--no-hmm不使用隐含马尔可夫模型 -q,--quiet不输出载入信息到STDERR -V,--version显示版本信息并退出 如果没有指定文件名，则使用标准输入。

--help选项输出： $>python-mjieba--help Jiebacommandlineinterface. positionalarguments: filenameinputfile optionalarguments: -h,--helpshowthishelpmessageandexit -d[DELIM],--delimiter[DELIM] useDELIMinsteadof'/'forworddelimiter;ora spaceifitisusedwithoutDELIM -p[DELIM],--pos[DELIM] enablePOStagging;ifDELIMisspecified,useDELIM insteadof'_'forPOSdelimiter -DDICT,--dictDICTuseDICTasdictionary -uUSER_DICT,--user-dictUSER_DICT useUSER_DICTtogetherwiththedefaultdictionaryor DICT(ifspecified) -a,--cut-allfullpatterncutting(ignoredwithPOStagging) -n,--no-hmmdon'tusetheHiddenMarkovModel -q,--quietdon'tprintloadingmessagestostderr -V,--versionshowprogram'sversionnumberandexit Ifnofilenamespecified,useSTDINinstead. 7.1.3.6.延迟加载机制¶ jieba采用延迟加载，importjieba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。

importjieba jieba.initialize()#手动初始化（可选） 在0.28 之前的版本是不能指定主词典的路径的，有了延迟加载机制后，你可以改变主词典的路径: jieba.set_dictionary('data/dict.txt.big') 例子： https://github.com/fxsjy/jieba/blob/master/test/test_change_dictpath.py 7.1.3.7.其他词典¶ 占用内存较小的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small 支持繁体分词更好的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big 下载你所需要的词典，然后覆盖jieba/dict.txt即可；或者用 jieba.set_dictionary('data/dict.txt.big') 7.1.3.8.其他语言实现¶ 7.1.3.8.1.结巴分词Java版本¶ 作者：piaolingxue地址：https://github.com/huaban/jieba-analysis 7.1.3.8.2.结巴分词C++版本¶ 作者：yanyiwu地址：https://github.com/yanyiwu/cppjieba 7.1.3.8.3.结巴分词Node.js版本¶ 作者：yanyiwu地址：https://github.com/yanyiwu/nodejieba 7.1.3.8.4.结巴分词Erlang版本¶ 作者：falood地址：https://github.com/falood/exjieba 7.1.3.8.5.结巴分词R版本¶ 作者：qinwf地址：https://github.com/qinwf/jiebaR 7.1.3.8.6.结巴分词iOS版本¶ 作者：yanyiwu地址：https://github.com/yanyiwu/iosjieba 7.1.3.8.7.结巴分词PHP版本¶ 作者：fukuball地址：https://github.com/fukuball/jieba-php 7.1.3.8.8.结巴分词.NET(C#)版本¶ 作者：anderscui地址：https://github.com/anderscui/jieba.NET/ 7.1.3.8.9.结巴分词Go版本¶ 作者:wangbin地址:https://github.com/wangbin/jiebago 作者:yanyiwu地址:https://github.com/yanyiwu/gojieba 7.1.3.8.10.结巴分词Android版本¶ 作者Dongliang.W地址：https://github.com/452896915/jieba-android 7.1.3.9.系统集成¶ Solr:https://github.com/sing1ee/jieba-solr 7.1.3.10.分词速度¶ 1.5MB/SecondinFullMode 400KB/SecondinDefaultMode 测试环境:Intel(R)Core(TM)[email protected]；《围城》.txt 7.1.3.11.常见问题¶ 7.1.3.11.1.1.模型的数据是如何生成的？¶ 详见：https://github.com/fxsjy/jieba/issues/7 7.1.3.11.2.2.“台中”总是被切成“台中”？（以及类似情况）¶ P(台中)＜P(台)×P(中)，“台中”词频不够导致其成词概率较低 解决方法：强制调高词频 jieba.add_word('台中')或者jieba.suggest_freq('台中',True) 7.1.3.11.3.3.“今天天气不错”应该被切成“今天天气不错”？（以及类似情况）¶ 解决方法：强制调低词频 jieba.suggest_freq(('今天','天气'),True) 或者直接删除该词jieba.del_word('今天天气') 7.1.3.11.4.4.切出了词典中没有的词语，效果不理想？¶ 解决方法：关闭新词发现 jieba.cut('丰田太省了',HMM=False) jieba.cut('我们中出了一个叛徒',HMM=False) 更多问题请点击：https://github.com/fxsjy/jieba/issues?sort=updated&state=closed 7.1.3.12.修订历史¶ https://github.com/fxsjy/jieba/blob/master/Changelog