''' 系统帮助还可以搜索库函数的定义 import jieba help(jieba.cut) Help on method cut in module jieba: cut(sentence, cut_all=False, HMM=True) method of jieba.Tokenizer instance The main function that segments an entire sentence that contains Chinese characters into seperated words. Parameter: - sentence: The str(unicode) to be segmented. - cut_all: Model type. True for full pattern, False for accurate pattern. - HMM: Whether to use the Hidden Markov Model. 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 ''' import jieba seg_list = jieba.cut("我在学习自然语言处理", cut_all=True) #print(seg_list) #seg_list是一个迭代对象无法输出,所以这行显示为<generator object Tokenizer.cut at 0x0000000002F346D0> 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)) ''' 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 [Finished in 2.4s] ''' #jieba.lcut以及jieba.lcut_for_search直接返回 list import jieba 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"))) ''' ['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 [Finished in 2.8s] ''' ''' 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。 ''' print('/'.join(jieba.cut('如果放到旧字典中将出错。', HMM=False))) jieba.suggest_freq(('中', '将'), True) 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/。 如果/放到/旧/字典/中/将/出错/。 [Finished in 2.8s] ''' import jieba ''' 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 ''' 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 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 ◾用法: jieba.analyse.set_idf_path(file_name) # file_name为自定义语料库的路径◦自定义语料库示例见这里 ◦用法示例见这里 ◾关键词提取所使用停止词(Stop Words)文本语料库可以切换成自定义语料库的路径◦用法: jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径 ◦自定义语料库示例见这里 ◦用法示例见这里 •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 ''' 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 ''' 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 ''' 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 [Finished in 4.4s] ''' ''' 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。 ''' 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 ''' 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 ''' # -*- 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. '''
jieba中文处理的学习
猜你喜欢
转载自blog.csdn.net/btujack/article/details/80639042
今日推荐
周排行