結巴分詞 0.34 發布，Python 中文分詞組件

結巴分詞 0.34 發布，更新內容如下：

2014-10-20: version 0.34

1. 提升性能，詞典結構由Trie改為Prefix Set，內存占用減少2/3, 詳見：https://github.com/fxsjy/jieba/pull/187；by @gumblex
   
2. 修復關鍵詞提取功能的性能問題</p>

   jieba

   "結巴"中文分詞：做最好的Python中文分詞組件 "Jieba" 

   Feature

   • 支持三種分詞模式：

   • 精確模式，試圖將句子最精確地切開，適合文本分析；

   • 全模式，把句子中所有的可以成詞的詞語都掃描出來, 速度非常快，但是不能解決歧義；

   • 搜索引擎模式，在精確模式的基礎上，對長詞再次切分，提高召回率，適合用于搜索引擎分詞。

   • 支持繁體分詞

   • 支持自定義詞典

   </ul>

   在線演示

   http://jiebademo.ap01.aws.af.cm/

   (Powered by Appfog)

   Python 2.x 下的安裝

   • 全自動安裝：easy_install jieba 或者 pip install jieba

   • 半自動安裝：先下載http://pypi.python.org/pypi/jieba/ ，解壓后運行python setup.py install

   • 手動安裝：將jieba目錄放置于當前目錄或者site-packages目錄

   • 通過import jieba 來引用 （第一次import時需要構建Trie樹，需要幾秒時間）

   Python 3.x 下的安裝

   • 目前master分支是只支持Python2.x 的

   • Python3.x 版本的分支也已經基本可用： https://github.com/fxsjy/jieba/tree/jieba3k

     git clone https://github.com/fxsjy/jieba.git
     git checkout jieba3k
     python setup.py install

   Algorithm

   • 基于Trie樹結構實現高效的詞圖掃描，生成句子中漢字所有可能成詞情況所構成的有向無環圖（DAG)

   • 采用了動態規劃查找最大概率路徑, 找出基于詞頻的最大切分組合

   • 對于未登錄詞，采用了基于漢字成詞能力的HMM模型，使用了Viterbi算法

   功能 1)：分詞

   • jieba.cut方法接受兩個輸入參數: 1) 第一個參數為需要分詞的字符串 2）cut_all參數用來控制是否采用全模式

   • jieba.cut_for_search方法接受一個參數：需要分詞的字符串,該方法適合用于搜索引擎構建倒排索引的分詞，粒度比較細

   • 注意：待分詞的字符串可以是gbk字符串、utf-8字符串或者unicode

   • jieba.cut以及jieba.cut_for_search返回的結構都是一個可迭代的generator，可以使用for循環來獲得分詞后得到的每一個詞語(unicode)，也可以用list(jieba.cut(...))轉化為list

   代碼示例( 分詞 )

   #encoding=utf-8
   import jieba
   

seg_list = jieba.cut("我來到北京清華大學",cut_all=True) print "Full Mode:", "/ ".join(seg_list) #全模式

seg_list = jieba.cut("我來到北京清華大學",cut_all=False) print "Default Mode:", "/ ".join(seg_list) #精確模式

seg_list = jieba.cut("他來到了網易杭研大廈") #默認是精確模式 print ", ".join(seg_list)

seg_list = jieba.cut_for_search("小明碩士畢業于中國科學院計算所，后在日本京都大學深造") #搜索引擎模式 print ", ".join(seg_list)</pre>

Output:

【全模式】: 我/ 來到/ 北京/ 清華/ 清華大學/ 華大/ 大學

【精確模式】: 我/ 來到/ 北京/ 清華大學
【新詞識別】：他, 來到, 了, 網易, 杭研, 大廈    (此處，“杭研”并沒有在詞典中，但是也被Viterbi算法識別出來了)
【搜索引擎模式】： 小明, 碩士, 畢業, 于, 中國, 科學, 學院, 科學院, 中國科學院, 計算, 計算所, 后, 在, 日本, 京都, 大學, 日本京都大學, 深造</pre> 
 功能 2) ：添加自定義詞典

 開發者可以指定自己自定義的詞典，以便包含jieba詞庫里沒有的詞。雖然jieba有新詞識別能力，但是自行添加新詞可以保證更高的正確率 

 用法： jieba.load_userdict(file_name) # file_name為自定義詞典的路徑 

 詞典格式和dict.txt一樣，一個詞占一行；每一行分三部分，一部分為詞語，另一部分為詞頻，最后為詞性（可省略），用空格隔開 

 范例： 

 
</li>

 之前： 李小福 / 是 / 創新 / 辦 / 主任 / 也 / 是 / 云 / 計算 / 方面 / 的 / 專家 / 

 加載自定義詞庫后：　李小福 / 是 / 創新辦 / 主任 / 也 / 是 / 云計算 / 方面 / 的 / 專家 / 

 自定義詞典：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 

 
</li>
</ul>

 "通過用戶自定義詞典來增強歧義糾錯能力" --- https://github.com/fxsjy/jieba/issues/14 

 
</li>
</ul>

 功能 3) ：關鍵詞提取
 jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse 

 setence為待提取的文本 

 topK為返回幾個TF/IDF權重最大的關鍵詞，默認值為20 


 代碼示例 （關鍵詞提取）
https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py
 
 功能 4) : 詞性標注
 標注句子分詞后每個詞的詞性，采用和ictclas兼容的標記法 

 用法示例 
>>> import jieba.posseg as pseg
>>> words =pseg.cut("我愛北京天安門")
>>> for w in words:
...    print w.word,w.flag
...
我 r
愛 v
北京 ns
天安門 ns
 


 功能 5) : 并行分詞
 原理：將目標文本按行分隔后，把各行文本分配到多個python進程并行分詞，然后歸并結果，從而獲得分詞速度的可觀提升 

 基于python自帶的multiprocessing模塊，目前暫不支持windows 

 用法： 
 

 jieba.enable_parallel(4) # 開啟并行分詞模式，參數為并行進程數 

 jieba.disable_parallel() # 關閉并行分詞模式 


 例子： https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py 
 

 實驗結果：在4核3.4GHz Linux機器上，對金庸全集進行精確分詞，獲得了1MB/s的速度，是單進程版的3.3倍。 
 


 功能 6) : Tokenize：返回詞語在原文的起始位置 
 注意，輸入參數只接受unicode 

 默認模式 


result = jieba.tokenize(u'永和服裝飾品有限公司')
 
for tk in result:
 
    print "word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2])
 
word 永和                start: 0                end:2
word 服裝                start: 2                end:4
word 飾品                start: 4                end:6
word 有限公司            start: 6                end:10
 
 搜索模式 


result = jieba.tokenize(u'永和服裝飾品有限公司',mode='search')
 
for tk in result:
 
    print "word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2])
 
word 永和                start: 0                end:2
word 服裝                start: 2                end:4
word 飾品                start: 4                end:6
word 有限                start: 6                end:8
word 公司                start: 8                end:10
word 有限公司            start: 6                end:10
 
 功能 7) : ChineseAnalyzer for Whoosh搜索引擎 
 引用： from jieba.analyse import ChineseAnalyzer 

 用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py


 
 其他詞典
 占用內存較小的詞典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small 
 

 支持繁體分詞更好的詞典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big 
 


 下載你所需要的詞典，然后覆蓋jieba/dict.txt 即可或者用jieba.set_dictionary('data/dict.txt.big')
 模塊初始化機制的改變:lazy load （從0.28版本開始）
 jieba采用延遲加載，"import jieba"不會立即觸發詞典的加載，一旦有必要才開始加載詞典構建trie。如果你想手工初始jieba，也可以手動初始化。
import jieba
jieba.initialize() #手動初始化（可選）
 
 在0.28之前的版本是不能指定主詞典的路徑的，有了延遲加載機制后，你可以改變主詞典的路徑:
jieba.set_dictionary('data/dict.txt.big')
 
 例子： https://github.com/fxsjy/jieba/blob/master/test/test_change_dictpath.py 
 分詞速度
 1.5 MB / Second in Full Mode 

 400 KB / Second in Default Mode 

 Test Env: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《圍城》.txt 


 常見問題
 1）模型的數據是如何生成的？https://github.com/fxsjy/jieba/issues/7 
 2）這個庫的授權是? https://github.com/fxsjy/jieba/issues/2 
 更多問題請點擊：https://github.com/fxsjy/jieba/issues?sort=updated&state=closed 
 
                    

                        
 本文由用戶 jopen  自行上傳分享，僅供網友學習交流。所有權歸原作者，若您的權利被侵害，請聯系管理員。
                        
 轉載本站原創文章，請注明出處，并保留原始鏈接、圖片水印。
                        
 本站是一個以用戶分享為主的開源技術平臺，歡迎各類分享！
                        
 
本文地址：http://www.baiduhome.net/news/view/3842a1                        
                        
 中文分詞