特点

1，支持三种分词模式：

    a,精确模式，试图将句子最精确地切开，适合文本分析； 
    b,全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义； 
    c,搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

2，支持繁体分词

3，支持自定义词典

安装

1，Python 2.x 下的安装

全自动安装 ：easy_install jieba 或者 pip install jieba 
半自动安装 ：先下载http://pypi.Python.org/pypi/jieba/ ，解压后运行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

2，Python 3.x 下的安装

目前master分支是只支持Python2.x 的 
Python3.x 版本的分支也已经基本可用： https://github.com/fxsjy/jieba/tree/jieba3k

[java] view plain copy

 

 

1. git clone https://github.com/fxsjy/jieba.git  
2. git checkout jieba3k  
3. python setup.py install  

算法实现：

基于Trie树结构实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图（DAG) 
采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合 
对于未登录词，采用了基于汉字成词能力的HMM模型，使用了Viterbi算法

功能

功能 1)：分词

    jieba.cut方法接受两个输入参数: 1) 第一个参数为需要分词的字符串 2）cut_all参数用来控制是否采用全模式 
    jieba.cut_for_search方法接受一个参数：需要分词的字符串,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 
    注意：待分词的字符串可以是gbk字符串、utf-8字符串或者unicode 
    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)，也可以用list(jieba.cut(...))转化为list 
代码示例( 分词 )

[python] view plain copy

 

 

1. #encoding=utf-8  
2. import jieba  
3. seg_list = jieba.cut("我来到北京清华大学", cut_all=True)  
4. print "Full Mode:", "/ ".join(seg_list)  # 全模式  
5. seg_list = jieba.cut("我来到北京清华大学", cut_all=False)  
6. print "Default Mode:", "/ ".join(seg_list)  # 精确模式  
7. seg_list = jieba.cut("他来到了网易杭研大厦")  # 默认是精确模式  
8. print ", ".join(seg_list)  
9. seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造")  # 搜索引擎模式  
10. print ", ".join(seg_list)  

功能 2) ：添加自定义词典

开发者可以指定自己自定义的词典，以便包含jieba词库里没有的词。虽然jieba有新词识别能力，但是自行添加新词可以保证更高的正确率 
用法：

[python] view plain copy

 

 

1. jieba.load_userdict(file_name) # file_name为自定义词典的路径  

自定义词典：

[python] view plain copy

 

 

1. 云计算 5  
2. 李小福 2 nr  
3. 创新办 3 i  
4. easy_install 3 eng  
5. 好用 300  
6. 韩玉赏鉴 3 nz  

用法示例：

[python] view plain copy

 

 

1. #encoding=utf-8  
2. import sys  
3. sys.path.append("../")  
4. import jieba  
5. jieba.load_userdict("userdict.txt")  
6. import jieba.posseg as pseg  
7.   
8. test_sent = "李小福是创新办主任也是云计算方面的专家;"  
9. test_sent += "例如我输入一个带“韩玉赏鉴”的标题，在自定义词库中也增加了此词为N类型"  
10. words = jieba.cut(test_sent)  
11. for w in words:  
12. print w  
13.   
14. result = pseg.cut(test_sent)  
15.   
16. for w in result:  
17. print w.word, "/", w.flag, ", ",  
18.   
19. print "\n========"  
20.   
21. terms = jieba.cut(‘easy_install is great‘)  
22. for t in terms:  
23.     print t  
24. print ‘-------------------------‘  
25. terms = jieba.cut(‘python 的正则表达式是好用的‘)  
26. for t in terms:  
27.     print t  

"通过用户自定义词典来增强歧义纠错能力" --- https://github.com/fxsjy/jieba/issues/14

功能 3) ：关键词提取 

[python] view plain copy

 

 

1. jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse  

说明

setence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 
代码示例 （关键词提取）

[python] view plain copy

 

 

1. import sys  
2. sys.path.append(‘../‘)  
3.   
4. import jieba  
5. import jieba.analyse  
6. from optparse import OptionParser  
7.   
8. USAGE = "usage: python extract_tags.py [file name] -k [top k]"  
9.   
10. parser = OptionParser(USAGE)  
11. parser.add_option("-k", dest="topK")  
12. opt, args = parser.parse_args()  
13.   
14. ‘’‘  
15. if len(args) < 1:  
16.     print USAGE  
17.     sys.exit(1)  
18.   
19. file_name = args[0]  
20. ’‘’  
21. file_name=u"D:XXX/xx/xx.txt"  
22. if opt.topK is None:  
23.     topK = 10  
24. else:  
25.     topK = int(opt.topK)  
26.   
27. content = open(file_name, ‘rb‘).read()  
28.   
29. tags = jieba.analyse.extract_tags(content, topK=topK)  
30.   
31. print ",".join(tags)  

功能 4) : 词性标注

标注句子分词后每个词的词性，采用和ictclas兼容的标记法 
用法示例

[python] view plain copy

 

 

1. >>> import jieba.posseg as pseg  
2. >>> words = pseg.cut("我爱北京天安门")  
3. >>> for w in words:  
4. ...    print w.word, w.flag  
5. ...  
6. 我 r  
7. 爱 v  
8. 北京 ns  
9. 天安门 ns  

功能 5) : 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：

[ruby] view plain copy

 

 

1. jieba.enable_parallel(4) # 开启并行分词模式，参数为并行进程数  
2. jieba.disable_parallel() # 关闭并行分词模式  

例子：

[python] view plain copy

 

 

1. import urllib2  
2. import sys,time  
3. import sys  
4. sys.path.append("../../")  
5. import jieba  
6. jieba.enable_parallel(4)  
7.   
8. url = sys.argv[1]  
9. content = open(url,"rb").read()  
10. t1 = time.time()  
11. words = list(jieba.cut(content))  
12.   
13. t2 = time.time()  
14. tm_cost = t2-t1  
15.   
16. log_f = open("1.log","wb")  
17. for w in words:  
18. print >> log_f, w.encode("utf-8"), "/" ,  
19.   
20. print ‘speed‘ , len(content)/tm_cost, " bytes/second"  

其他词典

占用内存较小的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small 
支持繁体分词更好的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big 
下载你所需要的词典，然后覆盖jieba/dict.txt 即可或者用jieba.set_dictionary(‘data/dict.txt.big‘)

模块初始化机制的改变:lazy load （从0.28版本开始）

jieba采用延迟加载，"import jieba"不会立即触发词典的加载，一旦有必要才开始加载词典构建trie。如果你想手工初始jieba，也可以手动初始化。

[python] view plain copy

 

 

1. import jieba  
2. jieba.initialize()  # 手动初始化（可选）  

在0.28之前的版本是不能指定主词典的路径的，有了延迟加载机制后，你可以改变主词典的路径: 

[python] view plain copy

 

 

1. jieba.set_dictionary(‘data/dict.txt.big‘)  

例子： 

[python] view plain copy

 

 

1. #encoding=utf-8  
2. import sys  
3. sys.path.append("../")  
4. import jieba  
5.   
6. def cuttest(test_sent):  
7. result = jieba.cut(test_sent)  
8. print " ".join(result)  
9.   
10. def testcase():  
11. cuttest("这是一个伸手不见五指的黑夜。我叫孙悟空，我爱北京，我爱Python和C++。")  
12. cuttest("我不喜欢日本和服。")  
13. cuttest("雷猴回归人间。")  
14. cuttest("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")  
15. cuttest("我需要廉租房")  
16. cuttest("永和服装饰品有限公司")  
17. cuttest("我爱北京天安门")  
18. cuttest("abc")  
19. cuttest("隐马尔可夫")  
20. cuttest("雷猴是个好网站")  
21.   
22. if __name__ == "__main__":  
23. testcase()  
24. jieba.set_dictionary("foobar.txt")  
25. print "================================"  
26. testcase()  

result = jieba.tokenize(u‘永和服装饰品有限公司‘) 

for tk in result:

    print "word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]) 

word 永和                start: 0                end:2
word 服装                start: 2                end:4
word 饰品                start: 4                end:6
word 有限公司            start: 6                end:10

result = jieba.tokenize(u‘永和服装饰品有限公司‘,mode=‘search‘)

for tk in result:

    print "word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]) 

word 永和                start: 0                end:2
word 服装                start: 2                end:4
word 饰品                start: 4                end:6
word 有限                start: 6                end:8
word 公司                start: 8                end:10
word 有限公司            start: 6                end:10