extra_dict · jieba3k · 米研/ jieba - GitCode

"结巴"中文分词：做最好的Python 中文分词组件 "Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation ... 打开侧边栏 米研jieba 仓库 J jieba 项目概览 米研/jieba 与Fork源项目一致 Fork自 mirrors/fxsjy/jieba 通知 2 Star 0 Fork 0 代码 文件 提交 分支 Tags 贡献者 分支图 Diff Issue 0 列表 看板 标记 里程碑 合并请求 0 Wiki 0 Wiki 分析 仓库 DevOps 项目成员 Pages J jieba 项目概览 项目概览 详情 发布 仓库 仓库 文件 提交 分支 标签 贡献者 分支图 比较 Issue 0 Issue 0 列表 看板 标记 里程碑 合并请求 0 合并请求 0 Pages 分析 分析 仓库分析 DevOps Wiki 0 Wiki 成员 成员 收起侧边栏 关闭侧边栏 动态 分支图 创建新Issue 提交 Issue看板 jieba3k 切换分支/标签 查找文件 克隆 通过SSHClone项目 通过HTTPSClone项目 下载源代码 zip tar.gz tar.bz2 tar 复制HTTPS克隆URL 复制SSH克隆[email protected]:A_miyan/jieba.git 复制HTTPS克隆地址https://gitcode.net/A_miyan/jieba.git README.md jieba "结巴"中文分词：做最好的Python中文分词组件 "Jieba"(Chinesefor"tostutter")Chinesetextsegmentation:builttobethebestPythonChinesewordsegmentationmodule. ScrolldownforEnglishdocumentation. 注意！ 这个branchjieba3k是专门用于Python3.x的版本 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 在线演示 http://jiebademo.ap01.aws.af.cm/ (PoweredbyAppfog) 网站代码：https://github.com/fxsjy/jiebademo 安装说明 Python2.x 全自动安装：easy_installjieba或者pipinstalljieba 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 Python3.x 目前master分支是只支持Python2.x的 Python3.x版本的分支也已经基本可用：https://github.com/fxsjy/jieba/tree/jieba3k gitclonehttps://github.com/fxsjy/jieba.git gitcheckoutjieba3k pythonsetup.pyinstall 或使用pip3安装：pip3installjieba3k 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 主要功能 ：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 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 代码示例(分词) #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 ：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 用法：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 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/ "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 ：关键词提取 jieba.analyse.extract_tags(sentence,topK,withWeight)#需要先importjieba.analyse 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 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（StopWords）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 基于TextRank算法的关键词抽取实现 算法论文：TextRank:BringingOrderintoTexts 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(我选的5，可适当调整)，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 基本使用: jieba.analyse.textrank(raw_text) 示例结果: 来自__main__的示例结果： 吉林1.0 欧亚0.864834432786 置业0.553465925497 实现0.520660869531 收入0.379699688954 增资0.355086023683 子公司0.349758490263 全资0.308537396283 城市0.306103738053 商业0.304837414946 :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 用法示例 >>>importjieba.possegaspseg >>>words=pseg.cut("我爱北京天安门") >>>forwinwords: ...print(w.word,w.flag) ... 我r 爱v 北京ns 天安门ns :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。

:Tokenize：返回词语在原文的起始位置 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 :ChineseAnalyzerforWhoosh搜索引擎 引用：fromjieba.analyseimportChineseAnalyzer 用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py :命令行分词 使用示例：catnews.txt|python-mjieba>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。

-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 -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 usage:python-mjieba[options]filename Jiebacommandlineinterface. positionalarguments: filenameinputfile optionalarguments: -h,--helpshowthishelpmessageandexit -d[DELIM],--delimiter[DELIM] useDELIMinsteadof'/'forworddelimiter;ora spaceifitisusedwithoutDELIM -DDICT,--dictDICTuseDICTasdictionary -uUSER_DICT,--user-dictUSER_DICT useUSER_DICTtogetherwiththedefaultdictionaryor DICT(ifspecified) -a,--cut-allfullpatterncutting -n,--no-hmmdon'tusetheHiddenMarkovModel -q,--quietdon'tprintloadingmessagestostderr -V,--versionshowprogram'sversionnumberandexit Ifnofilenamespecified,useSTDINinstead. 模块初始化机制的改变:lazyload（从0.28版本开始） jieba采用延迟加载，"importjieba"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 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') 其他语言实现 结巴分词Java版本 作者：piaolingxue 地址：https://github.com/huaban/jieba-analysis 结巴分词C++版本 作者：yanyiwu 地址：https://github.com/aszxqw/cppjieba 结巴分词Node.js版本 作者：yanyiwu 地址：https://github.com/aszxqw/nodejieba 结巴分词Erlang版本 作者：falood 地址：https://github.com/falood/exjieba 结巴分词R版本 作者：qinwf 地址：https://github.com/qinwf/jiebaR 结巴分词iOS版本 作者：yanyiwu 地址：https://github.com/aszxqw/iosjieba 系统集成 Solr:https://github.com/sing1ee/jieba-solr 分词速度 1.5MB/SecondinFullMode 400KB/SecondinDefaultMode 测试环境:Intel(R)Core(TM)[email protected]；《围城》.txt 常见问题 模型的数据是如何生成的？https://github.com/fxsjy/jieba/issues/7 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 修订历史 https://github.com/fxsjy/jieba/blob/master/Changelog jieba "Jieba"(Chinesefor"tostutter")Chinesetextsegmentation:builttobethebestPythonChinesewordsegmentationmodule. Features Supportthreetypesofsegmentationmode: AccurateModeattemptstocutthesentenceintothemostaccuratesegmentations,whichissuitablefortextanalysis. FullModegetsallthepossiblewordsfromthesentence.Fastbutnotaccurate. SearchEngineMode,basedontheAccurateMode,attemptstocutlongwordsintoseveralshortwords,whichcanraisetherecallrate.Suitableforsearchengines. Usage Fullyautomaticinstallation:easy_installjiebaorpipinstalljieba Semi-automaticinstallation:Downloadhttp://pypi.python.org/pypi/jieba/,runpythonsetup.pyinstallafterextracting. Manualinstallation:placethejiebadirectoryinthecurrentdirectoryorpythonsite-packagesdirectory. importjieba. Algorithm Basedonaprefixdictionarystructuretoachieveefficientwordgraphscanning.Buildadirectedacyclicgraph(DAG)forallpossiblewordcombinations. Usedynamicprogrammingtofindthemostprobablecombinationbasedonthewordfrequency. Forunknownwords,aHMM-basedmodelisusedwiththeViterbialgorithm. MainFunctions :Cut Thejieba.cutfunctionacceptsthreeinputparameters:thefirstparameteristhestringtobecut;thesecondparameteriscut_all,controllingthecutmode;thethirdparameteristocontrolwhethertousetheHiddenMarkovModel. jieba.cutreturnsangenerator,fromwhichyoucanuseaforlooptogetthesegmentationresult(inunicode),orlist(jieba.cut(...))tocreatealist. jieba.cut_for_searchacceptstwoparameter:thestringtobecut;whethertousetheHiddenMarkovModel.Thiswillcutthesentenceintoshortwordssuitableforsearchengines. Codeexample:segmentation #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))#默认模式 seg_list=jieba.cut("他来到了网易杭研大厦") 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)) Output: [FullMode]:我/来到/北京/清华/清华大学/华大/大学 [AccurateMode]:我/来到/北京/清华大学 [UnknownWordsRecognize]他,来到,了,网易,杭研,大厦(Inthiscase,"杭研"isnotinthedictionary,butisidentifiedbytheViterbialgorithm) [SearchEngineMode]：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 :Addacustomdictionary Developerscanspecifytheirowncustomdictionarytobeincludedinthejiebadefaultdictionary.Jiebaisabletoidentifynewwords,butaddingyourownnewwordscanensureahigheraccuracy. Usage：jieba.load_userdict(file_name)#file_nameisthepathofthecustomdictionary Thedictionaryformatisthesameasthatofanalyse/idf.txt:onewordperline;eachlineisdividedintotwoparts,thefirstistheworditself,theotheristhewordfrequency,separatedbyaspace Example： 云计算5 李小福2 创新办3 [Before]：李小福/是/创新/办/主任/也/是/云/计算/方面/的/专家/ [After]：　李小福/是/创新办/主任/也/是/云计算/方面/的/专家/ :KeywordExtraction jieba.analyse.extract_tags(sentence,topK,withWeight)#needstofirstimportjieba.analyse sentence:thetexttobeextracted topK:returnhowmanykeywordswiththehighestTF/IDFweights.Thedefaultvalueis20 withWeight:whetherreturnTF/IDFweightswiththekeywords.ThedefaultvalueisFalse Example(keywordextraction) https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py DeveloperscanspecifytheirowncustomIDFcorpusinjiebakeywordextraction Usage：jieba.analyse.set_idf_path(file_name)#file_nameisthepathforthecustomcorpus CustomCorpusSample：https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big SampleCode：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.py Developerscanspecifytheirowncustomstopwordscorpusinjiebakeywordextraction Usage：jieba.analyse.set_stop_words(file_name)#file_nameisthepathforthecustomcorpus CustomCorpusSample：https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt SampleCode：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.py There'salsoaTextRankimplementationavailable. Use:jieba.analyse.textrank(raw_text). :PartofSpeechTagging TagsthePOSofeachwordaftersegmentation,usinglabelscompatiblewithictclas. Example: >>>importjieba.possegaspseg >>>words=pseg.cut("我爱北京天安门") >>>forwinwords: ...print(w.word,w.flag) ... 我r 爱v 北京ns 天安门ns :ParallelProcessing Principle:Splittargettextbyline,assignthelinesintomultiplePythonprocesses,andthenmergetheresults,whichisconsiderablyfaster. BasedonthemultiprocessingmoduleofPython. Usage: jieba.enable_parallel(4)#Enableparallelprocessing.Theparameteristhenumberofprocesses. jieba.disable_parallel()#Disableparallelprocessing. Example: https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py Result:Onafour-core3.4GHzLinuxmachine,doaccuratewordsegmentationonCompleteWorksofJinYong,andthespeedreaches1MB/s,whichis3.3timesfasterthanthesingle-processversion. :Tokenize:returnwordswithposition Theinputmustbeunicode Defaultmode 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 Searchmode 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 :ChineseAnalyzerforWhoosh fromjieba.analyseimportChineseAnalyzer Example:https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py :CommandLineInterface $>python-mjieba--help usage:python-mjieba[options]filename Jiebacommandlineinterface. positionalarguments: filenameinputfile optionalarguments: -h,--helpshowthishelpmessageandexit -d[DELIM],--delimiter[DELIM] useDELIMinsteadof'/'forworddelimiter;ora spaceifitisusedwithoutDELIM -DDICT,--dictDICTuseDICTasdictionary -uUSER_DICT,--user-dictUSER_DICT useUSER_DICTtogetherwiththedefaultdictionaryor DICT(ifspecified) -a,--cut-allfullpatterncutting -n,--no-hmmdon'tusetheHiddenMarkovModel -q,--quietdon'tprintloadingmessagestostderr -V,--versionshowprogram'sversionnumberandexit Ifnofilenamespecified,useSTDINinstead. Initialization Bydefault,Jiebadon'tbuildtheprefixdictionaryunlessit'snecessary.Thistakes1-3seconds,afterwhichitisnotinitializedagain.IfyouwanttoinitializeJiebamanually,youcancall: importjieba jieba.initialize()#(optional) Youcanalsospecifythedictionary(notsupportedbeforeversion0.28): jieba.set_dictionary('data/dict.txt.big') UsingOtherDictionaries ItispossibletouseyourowndictionarywithJieba,andtherearealsotwodictionariesreadyfordownload: Asmallerdictionaryforasmallermemoryfootprint: https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small ThereisalsoabiggerdictionarythathasbettersupportfortraditionalChinese(繁體): https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big Bydefault,anin-betweendictionaryisused,calleddict.txtandincludedinthedistribution. Ineithercase,downloadthefileyouwant,andthencalljieba.set_dictionary('data/dict.txt.big')orjustreplacetheexistingdict.txt. Segmentationspeed 1.5MB/SecondinFullMode 400KB/SecondinDefaultMode TestEnv:Intel(R)Core(TM)[email protected]；《围城》.txt Onlinedemo http://jiebademo.ap01.aws.af.cm/ (PoweredbyAppfog) J 项目简介 🚀Github镜像仓库🚀 源项目地址⬇⬇⬇ https://github.com/fxsjy/jieba 进一步了解 MITLicense 文件大小 164KB 仓库大小 276KB 发行版本 当前项目没有发行版本 贡献者 50 N F J V T P H P I C B S 全部贡献者 开发语言 Python 52.1 % OpenEdgeABL 48.0 %