jieba中文分词官方文档入门

jiaba中文分词官方文档入门到进阶。

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。

主要功能

分词

• jieba.cut 接受三个输入参数: 需要分词的字符串；cut_all 控制是否采用全模式；HMM 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。

1. 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)
2. 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。

# -*- coding: utf-8 -*-
import jieba

seg_list = jieba.cut("我来到北京清华大学", cut_all=True)  # 全模式
print("Full Mode:" + "/".join(seg_list))

seg_list = jieba.cut("我来到北京清华大学", cut_all=False)  # 精确模式
print("Default Mode:" + "/".join(seg_list))

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))

输出结果：

Building prefix dict from the default dictionary ...
Loading model from cache C:\Users\yao\AppData\Local\Temp\jieba.cache
Loading model cost 1.829 seconds.
Prefix dict has been built succesfully.

Full Mode:我/来到/北京/清华/清华大学/华大/大学
Default Mode:我/来到/北京/清华大学
他, 来到, 了, 网易, 杭研, 大厦
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

• 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，用空格隔开，顺序不可颠倒。

  词语 词频（可省略） 词性（可省略）

词典举例：

# filename: userdict.txt
创新办 3 i
云计算 5
凱特琳 nz
台中

本文作者： Yao Zhu
发布时间： 2019-08-07
最后更新： 2019-11-18
本文链接： https://juoyo.github.io/posts/78cc9031.html
版权声明： 本作品采用 知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议 进行许可。转载请注明出处！

赏

谢谢你请我吃糖果

支付宝

微信