【Python】jieba分詞模組

0、前言

jieba庫是進行中文分詞的利器，根據文件描述，具有以下特點：

1. 支援三種分詞模式：

• 精確模式，試圖將句子最精確地切開，適合文字分析；

• 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；

• 搜尋引擎模式，在精確模式的基礎上，對長詞再次切分，提高召回率，適合用於搜尋引擎分詞

支援繁體分詞

支援自定義詞典

本文立足實際需求，提取出部分常用的功能作為講解，內容包括：

• 分詞

• 提取關鍵詞

• 搜尋詞彙位置

1、分詞

中文分詞是 jieba 庫的核心，其下包括常用的 cut() 和 cut_for_search() 函式。
cut() 函式傳入待分詞的字串，返回一個可迭代的生成器，可使用 for 迴圈提取或者 list 轉為列表形式。

import jieba
string = '今天天氣特別好，很開心' result = jieba.cut(string)
print(list(result))

結果：

['今天天氣', '特別', '好', '，', '很', '開心']

cut() 函式預設採用精確模式，使用全模式需修改 cut_all 引數為 True
程式碼如下：

result = jieba.cut(string,cut_all=True)

結果為：

['今天', '今天天氣', '天天', '天氣', '特別', '好', '', '', '很', '開心']

cut_for_search() 分詞函式採用搜尋引擎模式，該方法適合用於搜尋引擎構建倒排索引的分詞，粒度比較細，通俗來說就是儘可能多的將字串分割為有效的詞彙。

示例：

string = '今天天氣' res = jieba.cut(string)
res2 = jieba.cut_for_search(string)
print('使用cut:',list(res))
print('使用cut_for_search:',list(res2))

結果：

使用cut: ['今天天氣']
使用cut_for_search: ['今天', '天天', '天氣', '今天天氣']

由於採取了不同的分詞策略，所以最後的結果也不一樣，使用哪個需要根據應用場景來選擇。

2、提取詞彙

在處理詞彙時，常常我們會提取出現頻率比較高的關鍵詞，jieba.analyse.extract_tags()具有此功能，它接受 4 個引數

• sentence 為待提取的文字

• topK 為返回幾個 TF/IDF 權重最大的關鍵詞，預設值為 20

• withWeight 為是否一併返回關鍵詞權重值，預設值為 False

• allowPOS 僅包括指定詞性的詞，預設值為空，即不篩選

我們以西遊記為例，提取出權重佔比最高的前20個詞彙，程式碼如下：

from jieba.analyse import extract_tags with open('西遊記.txt','r',errors='ignore')as f:
    data = f.read()
res = extract_tags(data)
print(res)

結果如下：

['行者', '八戒', '師父', '三藏', '唐僧', '大聖', '沙僧', '妖精', '菩薩', '和尚', '那怪', '那裡', '長老', '呆子', '徒弟', '怎麼', '不知', '老孫', '國王', '一個']

修改 topK = 10 得到：

['行者', '八戒', '師父', '三藏', '唐僧', '大聖', '沙僧', '妖精', '菩薩', '和尚']

修改 withWeight = True 得到：

[('行者', 0.14971032916840787), ('八戒', 0.0684495682590684),
 ('師父', 0.06131338130166949), ('三藏', 0.05296939997015923), 
 ('唐僧', 0.034778382561747076), ('大聖', 0.032424843415734234), 
 ('沙僧', 0.03158331000220929), ('妖精', 0.027699530179843303), 
 ('菩薩', 0.02576333341504996), ('和尚', 0.02426762372832522)]

jieba 只能返回詞彙的權重，而不能返回該詞出現的頻率，所以在一些特定的應用場景下，比如生成詞雲圖，需要頻數時，使用 jieba.cut() 和 collections 下的 Counter 解決起來更方便，關於 Counter參考：【Counter】

3、搜尋詞彙位置

jieba 庫也包含了定位詞彙位置的功能，jieba.tokenize() 可以實現此功能，該函式接收字串，返回一個生成器，包含所有分詞結果以及始末位置，基本用法如下：

import jieba
string = '今天天氣特別好，很開心' result = jieba.tokenize(string)
print(list(result))

結果如下：

[('今天天氣', 0, 4), ('特別', 4, 6), ('好', 6, 7),
 ('，', 7, 8), ('很', 8, 9), ('開心', 9, 11)]

如果我們只是找到某個特定的詞彙在文中的位置，拿之前的西遊記文字為例，我們去尋找詞彙 “行者” 第一次出現的位置

with open('西遊記.txt','r',errors='ignore')as f:
    data = f.read()

result = jieba.tokenize(data) for i in result:
    if '行者' in i:
        print(i)
        break

結果：

('行者', 8593, 8595)

如此，就能很方便的找到特定詞彙在文章中出現的位置。

4、小結

以上就是 jieba 庫的常用的方法，該庫還包括詞性標註、並行分詞、命令列分詞、新增字典等等功能。
更詳細的內容參考官方文件：
對該庫的演算法感興趣的同學可參考
jieba分詞的基本思路：

對Python中文分詞模組結巴分詞演算法過程的理解和分析：http://blog.csdn.net/rav009/article/details/12196623

相似模組snowNLP