Python中文分词组件结巴:jieba
jopen
12年前
jieba
"结巴"中文分词:做最好的Python中文分词组件
Feature
- 支持两种分词模式:
- 1)默认模式,试图将句子最精确地切开,适合文本分析;
- 2)全模式,把句子中所有的可以成词的词语都扫描出来,适合搜索引擎。
Usage
- 自动安装:python setup.py install
- 手动安装:将jieba目录放置于当前目录或者site-packages目录
- 通过import jieba 来引用 (第一次import时需要构建Trie树,需要几秒时间)
Algorithm
- 基于Trie树结构实现高效的词图扫描,生成句子中汉字构成的有向无环图(DAG)
- 采用了记忆化搜索实现最大概率路径的计算, 找出基于词频的最大切分组合
- 对于未登录词,采用了基于汉字位置概率的模型,使用了Viterbi算法
代码示例
#encoding=utf-8 import jieba seg_list = jieba.cut("我来到北京清华大学",cut_all=True) print "Full Mode:", "/ ".join(seg_list) #全模式 seg_list = jieba.cut("我来到北京清华大学",cut_all=False) print "Default Mode:", "/ ".join(seg_list) #默认模式 seg_list = jieba.cut("他来到了网易杭研大厦") print ", ".join(seg_list)
Output:
Full Mode: 我/ 来/ 来到/ 到/ 北/ 北京/ 京/ 清/ 清华/ 清华大学/ 华/ 华大/ 大/ 大学/ 学 Default Mode: 我/ 来到/ 北京/ 清华大学 他, 来到, 了, 网易, 杭研, 大厦 (此处,“杭研”并没有在词典中,但是也被Viterbi算法识别出来了)