jieba的基本使用

1、分词
2、添加自定义词典
3、关键词提取
4、词性标注

jieba 是一款优秀的 Python 第三方中文分词库，可以使用 pip install jieba / pip3 install jieba 命令安装，本博客主要参考官方文档对 jieba 作简单的介绍

1、分词

jieba 支持三种 分词模式，它们各有优劣，可以根据自己的需要选择合适的模式：

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，但是不能解决歧义问题
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，适合搜索引擎分词

（1）精确模式和全模式

jieba.cut(sentence,cut_all=False,HMM=True)

jieba.lcut(sentence,cut_all=False,HMM=True)

以上两种方法都可以用精确模式或全模式对句子进行分词

不同之处只是在于 cut 方法返回迭代器，而 lcut 方法返回列表

它们都接受三个参数：

sentence：字符串，表示需要进行分词的文本，可以是 Unicode、UTF-8 或者 GBK (不建议) 格式
cut_all：布尔值，默认为 False，表示使用精确模式，若为 True，则使用全模式
HMM：布尔值，默认为 True，表示使用隐马尔可夫模型，若为 False，则不使用隐马尔可夫模型

>>> import jieba
>>> # -------- 使用 cut 方法，cut_all 参数默认为 False，精确模式 --------
>>> result = jieba.cut('我来到北京清华大学')
>>> print(','.join(result))
# 我,来到,北京,清华大学
>>> # -------- 使用 cut 方法，cut_all 参数设置为 True，全模式 --------
>>> result = jieba.cut('我来到北京清华大学',cut_all=True)
>>> print(','.join(result))
# 我,来到,北京,清华,清华大学,华大,大学

（2）搜索引擎模式

jieba.cut_for_search(sentence,HMM=True)

jieba.lcut_for_search(sentence,HMM=True)

以上两种方法都可以用搜索引擎模式对句子进行分词

不同之处只是在于 cut_for_search 方法返回迭代器，而 lcut_for_search 方法返回列表

它们都接受两个参数：

sentence：字符串，表示需要进行分词的文本，可以是 Unicode、UTF-8 或者 GBK (不建议) 格式
HMM：布尔值，默认为 True，表示使用隐马尔可夫模型，若为 False，则不使用隐马尔可夫模型

>>> import jieba
>>> # -------- 使用 cut_for_search 方法，搜索引擎模式 --------
>>> result = jieba.cut_for_search('我来到北京清华大学')
>>> print(','.join(result))
# 我,来到,北京,清华,华大,大学,清华大学

（3）新建自定义分词器

jieba.Tokenizer(dictionary=DEFAULT_DICT)

以上方法用于新建自定义分词器，jieba.dt 为默认的分词器，所有全局分词相关函数都是该分词器的映射

2、添加自定义词典

（1）载入词典

jieba.load_userdict(userdict.txt)

以上方法可以载入自定义词典，以便包含 jieba 词库里没有的词，提高准确率

userdict.txt：自定义词典，格式要求如下：

一个词占一行，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

另外，还需要更改分词器的 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

（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

3、关键词提取

关键词提取功能主要使用 jieba.analyse，故需要在程序中导入

import jieba.analyse

（1）基于 TF-IDF 算法的关键词抽取

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())

基于 TF-IDF 算法的关键词抽取，其接受四个参数：

sentence：待提取的文本
topK：返回 topK 个 TF/IDF 权重最大的关键词，默认值为 20
withWeight：指定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，即不进行筛选

>>> import jieba.analyse
>>> s = "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚置业注册资本由7000万元增加到5亿元。吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年，实现营业收入0万元，实现净利润-139.13万元。"
>>> for word,weight in jieba.analyse.extract_tags(s, 5, withWeight=True):
        print('%s %s' % (word, weight))

# 欧亚 0.7300142700289363
# 吉林 0.659038184373617
# 置业 0.4887134522112766
# 万元 0.3392722481859574
# 增资 0.33582401985234045

另外，jieba.analyse.TFIDF(idf_path=None) 用于新建 TFIDF 实例，idf_path 为 IDF 频率文件

jieba.analyse.set_idf_path(file_name) 用于将关键词提取所使用的逆向文件频率（IDF）文本语料库切换成自定义语料库的路径

jieba.analyse.set_stop_words(file_name) 用于将关键词提取所使用的停止词（Stop Words）文本语料库切换成自定义语料库的路径

（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'))

基于 TextRank 算法的关键词抽取，与 extract_tags 基本一致，注意默认的过滤词性

sentence：待提取的文本
topK：返回 topK 个 TF/IDF 权重最大的关键词，默认值为 20
withWeight：指定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 ('ns', 'n', 'vn', 'v')

>>> import jieba.analyse
>>> s = "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚置业注册资本由7000万元增加到5亿元。吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年，实现营业收入0万元，实现净利润-139.13万元。"
>>> for word,weight in jieba.analyse.textrank(s, 5, withWeight=True):
        print('%s %s' % (word, weight))

# 吉林 1.0
# 欧亚 0.9966893354178172
# 置业 0.6434360313092776
# 实现 0.5898606692859626
# 收入 0.43677859947991454

4、词性标注

词性标注功能主要使用 jieba.posseg，故需要在程序中导入

import jieba.posseg

（1）词性标注

jieba.posseg.cut()

标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法

>>> import jieba.posseg
>>> s = '我爱北京天安门'
>>> for word, flag in jieba.posseg.cut(s):
        print('%s %s' % (word, flag))

# 我 r
# 爱 v
# 北京 ns
# 天安门 ns

（2）新建自定义分词器

jieba.posseg.POSTokenizer(tokenizer=None)

以上方法用于新建自定义分词器，jieba.posseg.dt 为默认的词性标注分词器