fxsjy/jieba: 结巴中文分词

“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 ... Skiptocontent {{message}} fxsjy / jieba Public Notifications Fork 6.6k Star 28.7k 结巴中文分词 License MITlicense 28.7k stars 6.6k forks Star Notifications Code Issues 591 Pullrequests 51 Actions Projects 0 Wiki Security Insights More Code Issues Pullrequests Actions Projects Wiki Security Insights fxsjy/jieba Thiscommitdoesnotbelongtoanybranchonthisrepository,andmaybelongtoaforkoutsideoftherepository. master Branches Tags Couldnotloadbranches Nothingtoshow {{refName}} default Couldnotloadtags Nothingtoshow {{refName}} default 2 branches 28 tags Code Latestcommit Neutrino3316 UpdateREADME.mdupdatepaddlelink.(#817) … 67fa2e3 Feb15,2020 UpdateREADME.mdupdatepaddlelink.(#817) 67fa2e3 Gitstats 523 commits Files Permalink Failedtoloadlatestcommitinformation. Type Name Latestcommitmessage Committime extra_dict 讓jieba可以自行增加stopwords語料庫 Aug5,2014 jieba fixsetup.pyinpython2.7 Jan20,2020 test fixfilemode Jan13,2020 .gitattributes firstcommit Sep29,2012 .gitignore .gitignore中忽略pycharm项目文件 Nov15,2014 Changelog fixsetup.pyinpython2.7 Jan20,2020 LICENSE addalicensefile Jul29,2013 MANIFEST.in includeChangelog&README.mdinthedistributionpackage Jul29,2013 README.md UpdateREADME.mdupdatepaddlelink.(#817) Feb15,2020 setup.py fixsetup.pyinpython2.7 Jan20,2020 Viewcode jieba 特点 安装说明 算法 主要功能 载入词典 调整词典 基于TF-IDF算法的关键词抽取 基于TextRank算法的关键词抽取 基本思想: 使用示例: 延迟加载机制 其他词典 其他语言实现 结巴分词Java版本 结巴分词C++版本 结巴分词Rust版本 结巴分词Node.js版本 结巴分词Erlang版本 结巴分词R版本 结巴分词iOS版本 结巴分词PHP版本 结巴分词.NET(C#)版本 结巴分词Go版本 结巴分词Android版本 友情链接 系统集成 分词速度 常见问题 1.模型的数据是如何生成的？ 2.“台中”总是被切成“台中”？（以及类似情况） 3.“今天天气不错”应该被切成“今天天气不错”？（以及类似情况） 4.切出了词典中没有的词语，效果不理想？ 修订历史 jieba Features Onlinedemo Usage Algorithm MainFunctions Loaddictionary Modifydictionary Initialization UsingOtherDictionaries Segmentationspeed 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. 特点 支持四种分词模式： 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。

paddle模式，利用PaddlePaddle深度学习框架，训练序列标注（双向GRU）网络模型实现分词。

同时支持词性标注。

paddle模式使用需安装paddlepaddle-tiny，pipinstallpaddlepaddle-tiny==1.6.1。

目前paddle模式支持jiebav0.40及以上版本。

jiebav0.40以下版本，请升级jieba，pipinstalljieba--upgrade。

PaddlePaddle官网 支持繁体分词 支持自定义词典 MIT授权协议 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 如果需要使用paddle模式下的分词和词性标注功能，请先安装paddlepaddle-tiny，pipinstallpaddlepaddle-tiny==1.6.1。

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方法接受四个输入参数: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；use_paddle参数用来控制是否使用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； 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 jieba.enable_paddle()#启动paddle模式。

0.40版之后开始支持，早期版本不支持 strs=["我来到北京清华大学","乒乓球拍卖完了","中国科学技术大学"] forstrinstrs: seg_list=jieba.cut(str,use_paddle=True)#使用paddle模式 print("PaddleMode:"+'/'.join(list(seg_list))) 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 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/ 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"---#14 关键词提取 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（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 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: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(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 使用示例: 见test/demo.py 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。

除了jieba默认分词模式，提供paddle模式下的词性标注功能。

paddle模式采用延迟加载方式，通过enable_paddle()安装paddlepaddle-tiny，并且import相关代码； 用法示例 >>>importjieba >>>importjieba.possegaspseg >>>words=pseg.cut("我爱北京天安门")#jieba默认模式 >>>jieba.enable_paddle()#启动paddle模式。

0.40版之后开始支持，早期版本不支持 >>>words=pseg.cut("我爱北京天安门",use_paddle=True)#paddle模式 >>>forword,flaginwords: ...print('%s%s'%(word,flag)) ... 我r 爱v 北京ns 天安门ns paddle模式词性标注对应表如下： paddle模式词性和专名类别标签集合如下表，其中词性标签24个（小写字母），专名类别标签4个（大写字母）。

标签 含义 标签 含义 标签 含义 标签 含义 n 普通名词 f 方位名词 s 处所名词 t 时间 nr 人名 ns 地名 nt 机构名 nw 作品名 nz 其他专名 v 普通动词 vd 动副词 vn 名动词 a 形容词 ad 副形词 an 名形词 d 副词 m 数量词 q 量词 r 代词 p 介词 c 连词 u 助词 xc 其他虚词 w 标点符号 PER 人名 LOC 地名 ORG 机构名 TIME 时间 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。

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 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：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. 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 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/yanyiwu/cppjieba 结巴分词Rust版本 作者：messense,MnO2 地址：https://github.com/messense/jieba-rs 结巴分词Node.js版本 作者：yanyiwu 地址：https://github.com/yanyiwu/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/yanyiwu/iosjieba 结巴分词PHP版本 作者：fukuball 地址：https://github.com/fukuball/jieba-php 结巴分词.NET(C#)版本 作者：anderscui 地址：https://github.com/anderscui/jieba.NET/ 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 结巴分词Android版本 作者Dongliang.W地址：https://github.com/452896915/jieba-android 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 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 1.模型的数据是如何生成的？ 详见：#7 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) 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') 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 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. SupportsTraditionalChinese Supportscustomizeddictionaries MITLicense Onlinedemo http://jiebademo.ap01.aws.af.cm/ (PoweredbyAppfog) 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.cut_for_searchacceptstwoparameter:thestringtobecut;whethertousetheHiddenMarkovModel.Thiswillcutthesentenceintoshortwordssuitableforsearchengines. Theinputstringcanbeanunicode/strobject,orastr/bytesobjectwhichisencodedinUTF-8orGBK.NotethatusingGBKencodingisnotrecommendedbecauseitmaybeunexpectlydecodedasUTF-8. jieba.cutandjieba.cut_for_searchreturnsangenerator,fromwhichyoucanuseaforlooptogetthesegmentationresult(inunicode). jieba.lcutandjieba.lcut_for_searchreturnsalist. jieba.Tokenizer(dictionary=DEFAULT_DICT)createsanewcustomizedTokenizer,whichenablesyoutousedifferentdictionariesatthesametime.jieba.dtisthedefaultTokenizer,towhichalmostallglobalfunctionsaremapped. 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 Loaddictionary Developerscanspecifytheirowncustomdictionarytobeincludedinthejiebadefaultdictionary.Jiebaisabletoidentifynewwords,butyoucanaddyourownnewwordscanensureahigheraccuracy. Usage：jieba.load_userdict(file_name)#file_nameisafile-likeobjectorthepathofthecustomdictionary Thedictionaryformatisthesameasthatofdict.txt:onewordperline;eachlineisdividedintothreepartsseparatedbyaspace:word,wordfrequency,POStag.Iffile_nameisapathorafileopenedinbinarymode,thedictionarymustbeUTF-8encoded. ThewordfrequencyandPOStagcanbeomittedrespectively.Thewordfrequencywillbefilledwithasuitablevalueifomitted. Forexample: 创新办3i 云计算5 凱特琳nz 台中 ChangeaTokenizer'stmp_dirandcache_filetospecifythepathofthecachefile,forusingonarestrictedfilesystem. 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/ Modifydictionary Useadd_word(word,freq=None,tag=None)anddel_word(word)tomodifythedictionarydynamicallyinprograms. Usesuggest_freq(segment,tune=True)toadjustthefrequencyofasinglewordsothatitcan(orcannot)besegmented. NotethatHMMmayaffectthefinalresult. Example: >>>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 KeywordExtraction importjieba.analyse jieba.analyse.extract_tags(sentence,topK=20,withWeight=False,allowPOS=()) sentence:thetexttobeextracted topK:returnhowmanykeywordswiththehighestTF/IDFweights.Thedefaultvalueis20 withWeight:whetherreturnTF/IDFweightswiththekeywords.ThedefaultvalueisFalse allowPOS:filterwordswithwhichPOSsareincluded.Emptyfornofiltering. jieba.analyse.TFIDF(idf_path=None)createsanewTFIDFinstance,idf_pathspecifiesIDFfilepath. 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(sentence,topK=20,withWeight=False,allowPOS=('ns','n','vn','v')) NotethatitfiltersPOSbydefault. jieba.analyse.TextRank()createsanewTextRankinstance. PartofSpeechTagging jieba.posseg.POSTokenizer(tokenizer=None)createsanewcustomizedTokenizer.tokenizerspecifiesthejieba.Tokenizertointernallyuse.jieba.posseg.dtisthedefaultPOSTokenizer. TagsthePOSofeachwordaftersegmentation,usinglabelscompatiblewithictclas. Example: >>>importjieba.possegaspseg >>>words=pseg.cut("我爱北京天安门") >>>forwinwords: ...print('%s%s'%(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. Notethatparallelprocessingsupportsonlydefaulttokenizers,jieba.dtandjieba.posseg.dt. 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 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. 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 About 结巴中文分词 Resources Readme License MITlicense Stars 28.7k stars Watchers 1.3k watching Forks 6.6k forks Releases 9 v0.42.1Released Latest Jan20,2020 +8releases Packages0 Nopackagespublished Usedby13k +13,027 Contributors40 +29contributors Languages Python 52.0% OpenEdgeABL 48.0% Youcan’tperformthatactionatthistime. Yousignedinwithanothertaborwindow.Reloadtorefreshyoursession. Yousignedoutinanothertaborwindow.Reloadtorefreshyoursession.