jieba中文处理
和拉丁语系不同,亚洲语言是不用空格分开每个有意义的词的。而当我们进行自然语言处理的时候,大部分情况下,词汇是我们对句子和文章理解的基础,因此需要一个工具去把完整的文本中分解成粒度更细的词。
jieba就是这样一个非常好用的中文工具,是以分词起家的,但是功能比分词要强大很多。
1.基本分词函数与用法
jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator,可以使用 for 循环来获得分词后得到的每一个词语(unicode)
jieba.cut 方法接受三个输入参数:
- 需要分词的字符串
- cut_all 参数用来控制是否采用全模式
- HMM 参数用来控制是否使用 HMM 模型
jieba.cut_for_search 方法接受两个参数
- 需要分词的字符串
- 是否使用 HMM 模型。
该方法适合用于搜索引擎构建倒排索引的分词,粒度比较细
In [1]:
# encoding=utf-8 import jieba seg_list = jieba.cut("我在学习自然语言处理", cut_all=True) print seg_list print("Full Mode: " + "/ ".join(seg_list)) # 全模式 seg_list = jieba.cut("我在学习自然语言处理", cut_all=False) print("Default Mode: " + "/ ".join(seg_list)) # 精确模式 seg_list = jieba.cut("他毕业于上海交通大学,在百度深度学习研究院进行研究") # 默认是精确模式 print(", ".join(seg_list)) seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所,后在哈佛大学深造") # 搜索引擎模式 print(", ".join(seg_list))
Building prefix dict from the default dictionary ... Loading model from cache /var/folders/pn/xp31896922n9rqxgftrqk3l00000gn/T/jieba.cache Loading model cost 0.496 seconds.
<generator object cut at 0x10bbd91e0>
Prefix dict has been built succesfully.
Full Mode: 我/ 在/ 学习/ 自然/ 自然语言/ 语言/ 处理 Default Mode: 我/ 在/ 学习/ 自然语言/ 处理 他, 毕业, 于, 上海交通大学, ,, 在, 百度, 深度, 学习, 研究院, 进行, 研究 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, ,, 后, 在, 哈佛, 大学, 哈佛大学, 深造
jieba.lcut以及jieba.lcut_for_search直接返回 list
In [2]:
result_lcut = jieba.lcut("小明硕士毕业于中国科学院计算所,后在哈佛大学深造") print result_lcut print " ".join(result_lcut) print " ".join(jieba.lcut_for_search("小明硕士毕业于中国科学院计算所,后在哈佛大学深造"))
[u‘\u5c0f\u660e‘, u‘\u7855\u58eb‘, u‘\u6bd5\u4e1a‘, u‘\u4e8e‘, u‘\u4e2d\u56fd\u79d1\u5b66\u9662‘, u‘\u8ba1\u7b97\u6240‘, u‘\uff0c‘, u‘\u540e‘, u‘\u5728‘, u‘\u54c8\u4f5b\u5927\u5b66‘, u‘\u6df1\u9020‘] 小明 硕士 毕业 于 中国科学院 计算所 , 后 在 哈佛大学 深造 小明 硕士 毕业 于 中国 科学 学院 科学院 中国科学院 计算 计算所 , 后 在 哈佛 大学 哈佛大学 深造
添加用户自定义词典
很多时候我们需要针对自己的场景进行分词,会有一些领域内的专有词汇。
- 1.可以用jieba.load_userdict(file_name)加载用户字典
- 2.少量的词汇可以自己用下面方法手动添加:
- 用 add_word(word, freq=None, tag=None) 和 del_word(word) 在程序中动态修改词典
- 用 suggest_freq(segment, tune=True) 可调节单个词语的词频,使其能(或不能)被分出来。
In [3]:
print(‘/‘.join(jieba.cut(‘如果放到旧字典中将出错。‘, HMM=False)))
如果/放到/旧/字典/中将/出错/。
In [4]:
jieba.suggest_freq((‘中‘, ‘将‘), True)
Out[4]:
494
In [5]:
print(‘/‘.join(jieba.cut(‘如果放到旧字典中将出错。‘, HMM=False)))
如果/放到/旧/字典/中/将/出错/。
关键词提取
基于 TF-IDF 算法的关键词抽取
import jieba.analyse
- jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
- sentence 为待提取的文本
- topK 为返回几个 TF/IDF 权重最大的关键词,默认值为 20
- withWeight 为是否一并返回关键词权重值,默认值为 False
- allowPOS 仅包括指定词性的词,默认值为空,即不筛选
In [6]:
import jieba.analyse as analyse lines = open(‘NBA.txt‘).read() print " ".join(analyse.extract_tags(lines, topK=20, withWeight=False, allowPOS=()))
韦少 杜兰特 全明星 全明星赛 MVP 威少 正赛 科尔 投篮 勇士 球员 斯布鲁克 更衣柜 张卫平 三连庄 NBA 西部 指导 雷霆 明星队
In [7]:
lines = open(u‘西游记.txt‘).read() print " ".join(analyse.extract_tags(lines, topK=20, withWeight=False, allowPOS=()))
行者 八戒 师父 三藏 唐僧 大圣 沙僧 妖精 菩萨 和尚 那怪 那里 长老 呆子 徒弟 怎么 不知 老孙 国王 一个
关于TF-IDF 算法的关键词抽取补充
- 关键词提取所使用逆向文件频率(IDF)文本语料库可以切换成自定义语料库的路径
- 关键词一并返回关键词权重值示例
- 用法示例见这里
基于 TextRank 算法的关键词抽取
- jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=(‘ns‘, ‘n‘, ‘vn‘, ‘v‘)) 直接使用,接口相同,注意默认过滤词性。
- jieba.analyse.TextRank() 新建自定义 TextRank 实例
算法论文: TextRank: Bringing Order into Texts
基本思想:
- 将待抽取关键词的文本进行分词
- 以固定窗口大小(默认为5,通过span属性调整),词之间的共现关系,构建图
- 计算图中节点的PageRank,注意是无向带权图
In [8]:
import jieba.analyse as analyse lines = open(‘NBA.txt‘).read() print " ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=(‘ns‘, ‘n‘, ‘vn‘, ‘v‘))) print "---------------------我是分割线----------------" print " ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=(‘ns‘, ‘n‘)))
全明星赛 勇士 正赛 指导 对方 投篮 球员 没有 出现 时间 威少 认为 看来 结果 相隔 助攻 现场 三连庄 介绍 嘉宾 ---------------------我是分割线---------------- 勇士 正赛 全明星赛 指导 投篮 玩命 时间 对方 现场 结果 球员 嘉宾 时候 全队 主持人 特点 大伙 肥皂剧 全程 快船队
In [9]:
lines = open(u‘西游记.txt‘).read() print " ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=(‘ns‘, ‘n‘, ‘vn‘, ‘v‘)))
行者 师父 八戒 三藏 大圣 不知 菩萨 妖精 只见 长老 国王 却说 呆子 徒弟 小妖 出来 不得 不见 不能 师徒
词性标注
- jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器,tokenizer 参数可指定内部使用的 jieba.Tokenizer 分词器。jieba.posseg.dt 为默认词性标注分词器。
- 标注句子分词后每个词的词性,采用和 ictclas 兼容的标记法。
- 具体的词性对照表参见计算所汉语词性标记集
In [10]:
import jieba.posseg as pseg words = pseg.cut("我爱自然语言处理") for word, flag in words: print(‘%s %s‘ % (word, flag))
我 r 爱 v 自然语言 l 处理 v
并行分词
原理:将目标文本按行分隔后,把各行文本分配到多个 Python 进程并行分词,然后归并结果,从而获得分词速度的可观提升 基于 python 自带的 multiprocessing 模块,目前暂不支持 Windows
用法:
jieba.enable_parallel(4) # 开启并行分词模式,参数为并行进程数
jieba.disable_parallel() # 关闭并行分词模式
实验结果:在 4 核 3.4GHz Linux 机器上,对金庸全集进行精确分词,获得了 1MB/s 的速度,是单进程版的 3.3 倍。
注意:并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。
In [11]:
import sys import time import jieba jieba.enable_parallel() content = open(u‘西游记.txt‘,"r").read() t1 = time.time() words = "/ ".join(jieba.cut(content)) t2 = time.time() tm_cost = t2-t1 print(‘并行分词速度为 %s bytes/second‘ % (len(content)/tm_cost)) jieba.disable_parallel() content = open(u‘西游记.txt‘,"r").read() t1 = time.time() words = "/ ".join(jieba.cut(content)) t2 = time.time() tm_cost = t2-t1 print(‘非并行分词速度为 %s bytes/second‘ % (len(content)/tm_cost))
并行分词速度为 830619.50933 bytes/second 非并行分词速度为 259941.448353 bytes/second
Tokenize:返回词语在原文的起止位置
注意,输入参数只接受 unicode
In [12]:
print "这是默认模式的tokenize" result = jieba.tokenize(u‘自然语言处理非常有用‘) for tk in result: print("%s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2])) print "\n-----------我是神奇的分割线------------\n" print "这是搜索模式的tokenize" result = jieba.tokenize(u‘自然语言处理非常有用‘, mode=‘search‘) for tk in result: print("%s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
这是默认模式的tokenize 自然语言 start: 0 end:4 处理 start: 4 end:6 非常 start: 6 end:8 有用 start: 8 end:10 -----------我是神奇的分割线------------ 这是搜索模式的tokenize 自然 start: 0 end:2 语言 start: 2 end:4 自然语言 start: 0 end:4 处理 start: 4 end:6 非常 start: 6 end:8 有用 start: 8 end:10
ChineseAnalyzer for Whoosh 搜索引擎
from jieba.analyse import ChineseAnalyzer
In [16]:
# -*- coding: UTF-8 -*- from __future__ import unicode_literals import sys,os sys.path.append("../") from whoosh.index import create_in,open_dir from whoosh.fields import * from whoosh.qparser import QueryParser analyzer = jieba.analyse.ChineseAnalyzer() schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT(stored=True, analyzer=analyzer)) if not os.path.exists("tmp"): os.mkdir("tmp") ix = create_in("tmp", schema) # for create new index #ix = open_dir("tmp") # for read only writer = ix.writer() writer.add_document( title="document1", path="/a", content="This is the first document we’ve added!" ) writer.add_document( title="document2", path="/b", content="The second one 你 中文测试中文 is even more interesting! 吃水果" ) writer.add_document( title="document3", path="/c", content="买水果然后来世博园。" ) writer.add_document( title="document4", path="/c", content="工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作" ) writer.add_document( title="document4", path="/c", content="咱俩交换一下吧。" ) writer.commit() searcher = ix.searcher() parser = QueryParser("content", schema=ix.schema) for keyword in ("水果世博园","你","first","中文","交换机","交换"): print(keyword+"的结果为如下:") q = parser.parse(keyword) results = searcher.search(q) for hit in results: print(hit.highlights("content")) print("\n--------------我是神奇的分割线--------------\n") for t in analyzer("我的好朋友是李明;我爱北京天安门;IBM和Microsoft; I have a dream. this is intetesting and interested me a lot"): print(t.text)
水果世博园的结果为如下: 买<b class="match term0">水果</b>然后来<b class="match term1">世博园</b> --------------我是神奇的分割线-------------- 你的结果为如下: second one <b class="match term0">你</b> 中文测试中文 is even more interesting --------------我是神奇的分割线-------------- first的结果为如下: <b class="match term0">first</b> document we’ve added --------------我是神奇的分割线-------------- 中文的结果为如下: second one 你 <b class="match term0">中文</b>测试<b class="match term0">中文</b> is even more interesting --------------我是神奇的分割线-------------- 交换机的结果为如下: 干事每月经过下属科室都要亲口交代24口<b class="match term0">交换机</b>等技术性器件的安装工作 --------------我是神奇的分割线-------------- 交换的结果为如下: 咱俩<b class="match term0">交换</b>一下吧 干事每月经过下属科室都要亲口交代24口<b class="match term0">交换</b>机等技术性器件的安装工作 --------------我是神奇的分割线-------------- 我 好 朋友 是 李明 我 爱 北京 天安 天安门 ibm microsoft dream intetest interest me lot
命令行分词
使用示例:python -m jieba news.txt > cut_result.txt
命令行选项(翻译):
使用: python -m jieba [options] filename
结巴命令行界面。
固定参数:
filename 输入文件
可选参数:
-h, --help 显示此帮助信息并退出
-d [DELIM], --delimiter [DELIM]
使用 DELIM 分隔词语,而不是用默认的‘ / ‘。
若不指定 DELIM,则使用一个空格分隔。
-p [DELIM], --pos [DELIM]
启用词性标注;如果指定 DELIM,词语和词性之间
用它分隔,否则用 _ 分隔
-D DICT, --dict DICT 使用 DICT 代替默认词典
-u USER_DICT, --user-dict USER_DICT
使用 USER_DICT 作为附加词典,与默认词典或自定义词典配合使用
-a, --cut-all 全模式分词(不支持词性标注)
-n, --no-hmm 不使用隐含马尔可夫模型
-q, --quiet 不输出载入信息到 STDERR
-V, --version 显示版本信息并退出
如果没有指定文件名,则使用标准输入。
--help
选项输出:
$> python -m jieba --help
Jieba command line interface.
positional arguments:
filename input file
optional arguments:
-h, --help show this help message and exit
-d [DELIM], --delimiter [DELIM]
use DELIM instead of ‘ / ‘ for word delimiter; or a
space if it is used without DELIM
-p [DELIM], --pos [DELIM]
enable POS tagging; if DELIM is specified, use DELIM
instead of ‘_‘ for POS delimiter
-D DICT, --dict DICT use DICT as dictionary
-u USER_DICT, --user-dict USER_DICT
use USER_DICT together with the default dictionary or
DICT (if specified)
-a, --cut-all full pattern cutting (ignored with POS tagging)
-n, --no-hmm don‘t use the Hidden Markov Model
-q, --quiet don‘t print loading messages to stderr
-V, --version show program‘s version number and exit
If no filename specified, use STDIN instead.
In [ ]:
原文地址:https://www.cnblogs.com/Josie-chen/p/9120773.html