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)

项目主页:http://www.open-open.com/lib/view/home/1349268172869