Python之jieba中文分詞庫

jieba分詞是python中目前最受歡迎的中文分詞庫，他有許多特點，為了便於介紹直接引用官方介紹如下。

支援繁體分詞

支援自定義詞典

mit 授權協議

jieba分詞的原理是利用乙個中文詞庫，確定漢字之間的關聯概率，然後組成片語，形成分詞結果，除了分詞，使用者還可以新增自定義的片語。

我們先來看乙個最簡單的**示例：

jieba使用起來非常簡單，核心的功能函式方法就是使用cut()方法來做分詞處理。當然不僅僅是這乙個方法，還有諸多cut方法，比如lcut()，lcut返回的是乙個list，而剛才的cut返回的是乙個python生成器。cut和lcut的區別除了返回的結果不一樣以外，還有乙個重要的區別是cut的速度要略快於lcut可以詳見官方文件。

# encoding=utf-8
import jieba
seg_list = jieba.cut(
"我來到北京清華大學"
, cut_all=
true
)print
("全模式: "
+"/ "
.join(seg_list)
)# 全模式
# 輸出如下：
# 全模式: 我/ 來到/ 北京/ 清華/ 清華大學/ 華大/ 大學
seg_list = jieba.cut(
"我來到北京清華大學"
, cut_all=
false
)print
("預設（精確模式）: "
+"/ "
.join(seg_list)
)# 精確模式
# 輸出如下：
# 預設（精確模式）: 我/ 來到/ 北京/ 清華大學
seg_list = jieba.cut(
"他來到了網易杭研大廈"
)# 預設是精確模式
print
(", "
.join(seg_list)
)# 輸出如下：
# 他, 來到, 了, 網易, 杭研, 大廈
seg_list = jieba.cut_for_search(
"小明碩士畢業於中國科學院計算所，後在日本京都大學深造"
)# 搜尋引擎模式
print
(", "
.join(seg_list)
)# 輸出如下：
# 小明, 碩士, 畢業, 於, 中國, 科學, 學院, 科學院, 中國科學院, 計算, 計算所, ，, 後, 在, 日本, 京都, 大學, 日本京都大學, 深造

下面這個示例，就是我們使用jieba來分析《三國演義》**中，兩個字詞彙頻率最高的詞是什麼，可以從結果中發現，梟雄操和軍事孔明果然是三國**裡提及最多的風雲人物前二名。

import jieba
from pathlib import path
from collections import counter
text_path = path(path.cwd()/
'三國演義.txt'
)with text_path.
open
(encoding =
'gb18030'
)as f:
text_content = f.read(
)# 新增自己的詞庫分詞，比如新增'軍師孔明'到jieba詞庫後，當你處理的文字中含有軍師孔明這個詞，
# 就會直接將'軍師孔明'當作乙個詞，而不會得到'軍師'或'孔明'這樣的詞。
jieba.add_word(
'軍師孔明'
)# 與cut方法區別的是返回的是list型別
words = jieba.lcut(text_content)
# 用counter方法計算單詞頻率數
count = counter(words)
most_count = count.most_common(
)words_list =
for i in most_count:
iflen
(i[0])
>=
2and
len(i[0]
)<=4:
print
(words_list[:10
])# 輸出如下：
# [('曹操', 934),
# ('孔明', 831),
# ('將軍', 760),
# ('卻說', 647),
# ('玄德', 570),
# ('關公', 509),
# ('丞相', 488),
# ('二人', 463),
# ('不可', 435),
# ('荊州', 420)]

jieba雖然使用上十分簡單，只需要呼叫乙個核心函式就可以達到分詞的效果，但還有更多細膩的引數操作，比如：我們可以自己設定關鍵字，然後用基於tf-idf演算法的analyse.extract_tags()方法提取關鍵字，或者自定義自己的詞典庫等等。

更詳細的用法和更新動態詳見：

Python之jieba中文分詞庫

Python分詞模組推薦 jieba中文分詞

python 中文jieba分詞

Python中文分詞庫 jieba

Python之jieba中文分詞庫

Python分詞模組推薦 jieba中文分詞

python 中文jieba分詞

Python中文分詞庫 jieba

相關推薦