标签：cost windows 切换 并行 通过 更改 停止 令行 汉字
支持三种分词模式：
支持繁体分词
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)，或者用jieba.lcut 以及 jieba.lcut_for_search 直接返回 listjieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器，可用于同时使用不同词典。jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射
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))#精确模式
seg_list = jieba.cut("他来到了网易杭研大厦")#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，后在日本京都大学深造")#搜索引擎模式
print(", ".join(seg_list))
【全模式】
Full Mode: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
【精确模式】
Default Mode: 我/ 来到/ 北京/ 清华大学
【新词模式】
他, 来到, 了, 网易, 杭研, 大厦
注：(此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)
【搜索引擎模式】
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, 日本, 京都, 大学, 日本京都大学, 深造
dict.txt 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file_name 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。例如：userdict.txt
创新办 3 i
云计算 5
凱特琳 nz
台中更改分词器（默认为 jieba.dt）的 tmp_dir 和 cache_file 属性，可分别指定缓存文件所在的文件夹及其文件名，用于受限的文件系统。
范例：
自定义词典：https://github.com/fxsjy/jieba/blob/master/test/userdict.txt
云计算 5 李小福 2 nr 创新办 3 i easy_install 3 eng 好用 300 韩玉赏鉴 3 nz 八一双鹿 3 nz 台中 凱特琳 nz Edu Trust认证 2000
用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py(代码如下)
之前： 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /
加载自定义词库后： 李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /
#encoding=utf-8
from __future__ import print_function, unicode_literals
import sys
sys.path.append("../")
import jieba
jieba.load_userdict("userdict.txt")#载入自定义词典：每一行包括词语、词频（可省略）、词性（可省略）
import jieba.posseg as pseg
jieba.add_word(‘石墨烯‘)
jieba.add_word(‘凱特琳‘)
jieba.del_word(‘自定义词‘)
test_sent = (
"李小福是创新办主任也是云计算方面的专家; 什么是八一双鹿\n"
"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\n"
"「台中」正確應該不會被切開。mac上可分出「石墨烯」；此時又可以分出來凱特琳了。"
)
words = jieba.cut(test_sent)#精确模式分词
print(‘/‘.join(words))
print("="*40)#输出40个=号
#李小福/是/创新办/主任/也/是/云计算/方面/的/专家/;/ /什么/是/八一双鹿/
#/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/
#/「/台中/」/正確/應該/不會/被/切開/。/mac/上/可/分出/「/石墨烯/」/；/此時/又/可以/分出/來/凱特琳/了/。
#========================================
result = pseg.cut(test_sent)
for w in result:
print(w.word, "/", w.flag, ", ", end=‘ ‘)#输出词语、词性
print("\n" + "="*40)
#李小福 / nr , 是 / v , 创新办 / i , 主任 / b , 也 / d , 是 / v , 云计算 / x , 方面 / n , 的 / uj , 专家 / n , ; / x , / x , 什么 / r , 是 / v , 八一双鹿 / nz ,
# / x , 例如 / v , 我 / r , 输入 / v , 一个 / m , 带 / v , “ / x , 韩玉赏鉴 / nz , ” / x , 的 / uj , 标题 / n , ， / x , 在 / p , 自定义词 / n , 库中 / nrt , 也 / d , 增加 / v , 了 / ul , 此 / r , 词 / n , 为 / p , N / eng , 类 / q ,
# / x , 「 / x , 台中 / s , 」 / x , 正確 / ad , 應該 / v , 不 / d , 會 / v , 被 / p , 切開 / ad , 。 / x , mac / eng , 上 / f , 可 / v , 分出 / v , 「 / x , 石墨烯 / x , 」 / x , ； / x , 此時 / c , 又 / d , 可以 / c , 分出 / v , 來 / zg , 凱特琳 / nz , 了 / ul , 。 / x ,
#========================================
terms = jieba.cut(‘easy_install is great‘)
print(‘/‘.join(terms))
terms = jieba.cut(‘python 的正则表达式是好用的‘)
print(‘/‘.join(terms))
print("="*40)
#easy_install/ /is/ /great
#python/ /的/正则表达式/是/好用/的
#========================================
# test frequency tune测试词语词频
testlist = [
(‘今天天气不错‘, (‘今天‘, ‘天气‘)),
(‘如果放到post中将出错。‘, (‘中‘, ‘将‘)),
(‘我们中出了一个叛徒‘, (‘中‘, ‘出‘)),
]
for sent, seg in testlist:
print(‘/‘.join(jieba.cut(sent, HMM=False)))#精确模式，不使用HMM模型
word = ‘‘.join(seg)
print(‘%s Before: %s, After: %s‘ % (word, jieba.get_FREQ(word), jieba.suggest_freq(seg, True)))#suggest_freq(seg, True)调节单个词语词频
print(‘/‘.join(jieba.cut(sent, HMM=False)))
print("-"*40)
#今天天气/不错
#今天天气 Before: 5, After: 0
#今天天气/不错
#----------------------------------------
#如果/放到/post/中/将/出错/。
#中将 Before: 494, After: 494
#如果/放到/post/中/将/出错/。
#----------------------------------------
#我们/中/出/了/一个/叛徒
#中出 Before: 3, After: 3
#我们/中/出/了/一个/叛徒
#----------------------------------------
add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。使用 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。
注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。
代码示例：
>>> print(‘/‘.join(jieba.cut(‘如果放到post中将出错。‘, HMM=False))) 如果/放到/post/中将/出错/。 >>> jieba.suggest_freq((‘中‘, ‘将‘), True) 494 >>> print(‘/‘.join(jieba.cut(‘如果放到post中将出错。‘, HMM=False))) 如果/放到/post/中/将/出错/。 >>> print(‘/‘.join(jieba.cut(‘「台中」正确应该不会被切开‘, HMM=False))) 「/台/中/」/正确/应该/不会/被/切开 >>> jieba.suggest_freq(‘台中‘, True) 69 >>> print(‘/‘.join(jieba.cut(‘「台中」正确应该不会被切开‘, HMM=False))) 「/台中/」/正确/应该/不会/被/切开
"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
import jieba.analyse
代码示例 （关键词提取）:https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py(代码如下)
import sys
sys.path.append(‘../‘)
import jieba
import jieba.analyse
from optparse import OptionParser
USAGE = "usage: python extract_tags.py [file name] -k [top k]"
parser = OptionParser(USAGE)
parser.add_option("-k", dest="topK")
opt, args = parser.parse_args()
if len(args) < 1:
print(USAGE)
sys.exit(1)
file_name = args[0]
if opt.topK is None:
topK = 10
else:
topK = int(opt.topK)
content = open(file_name, ‘rb‘).read()
tags = jieba.analyse.extract_tags(content, topK=topK)
print(",".join(tags))
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
劳动防护 13.900677652 勞動防護 13.900677652 生化学 13.900677652 生化學 13.900677652 奥萨贝尔 13.900677652 奧薩貝爾 13.900677652 考察队员 13.900677652 考察隊員 13.900677652 ......
import sys
sys.path.append(‘../‘)
import jieba
import jieba.analyse
from optparse import OptionParser
USAGE = "usage: python extract_tags_idfpath.py [file name] -k [top k]"
parser = OptionParser(USAGE)
parser.add_option("-k", dest="topK")
opt, args = parser.parse_args()
if len(args) < 1:
print(USAGE)
sys.exit(1)
file_name = args[0]
if opt.topK is None:
topK = 10
else:
topK = int(opt.topK)
content = open(file_name, ‘rb‘).read()
jieba.analyse.set_idf_path("../extra_dict/idf.txt.big");#与extract_tags相比多了这一句
tags = jieba.analyse.extract_tags(content, topK=topK)
print(",".join(tags))
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
the of is and to in that we for an are by be as on with can if from which you it this then at have all not one has or that 的 了 和 是 就 都 而 及 與 著 或 一個 沒有 我們 你們 妳們 他們 她們 是否
import sys
sys.path.append(‘../‘)
import jieba
import jieba.analyse
from optparse import OptionParser
USAGE = "usage: python extract_tags_stop_words.py [file name] -k [top k]"
parser = OptionParser(USAGE)
parser.add_option("-k", dest="topK")
opt, args = parser.parse_args()
if len(args) < 1:
print(USAGE)
sys.exit(1)
file_name = args[0]
if opt.topK is None:
topK = 10
else:
topK = int(opt.topK)
content = open(file_name, ‘rb‘).read()
jieba.analyse.set_stop_words("../extra_dict/stop_words.txt")#停用词
jieba.analyse.set_idf_path("../extra_dict/idf.txt.big");#idf词频
tags = jieba.analyse.extract_tags(content, topK=topK)
print(",".join(tags))
关键词一并返回关键词权重值示例
import sys
sys.path.append(‘../‘)
import jieba
import jieba.analyse
from optparse import OptionParser
USAGE = "usage: python extract_tags_with_weight.py [file name] -k [top k] -w [with weight=1 or 0]"
parser = OptionParser(USAGE)
parser.add_option("-k", dest="topK")
parser.add_option("-w", dest="withWeight")
opt, args = parser.parse_args()
if len(args) < 1:
print(USAGE)
sys.exit(1)
file_name = args[0]
if opt.topK is None:
topK = 10
else:
topK = int(opt.topK)
if opt.withWeight is None:
withWeight = False
else:
if int(opt.withWeight) is 1:
withWeight = True
else:
withWeight = False
content = open(file_name, ‘rb‘).read()
tags = jieba.analyse.extract_tags(content, topK=topK, withWeight=withWeight)
if withWeight is True:
for tag in tags:
print("tag: %s\t\t weight: %f" % (tag[0],tag[1]))
else:
print(",".join(tags))
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。>>> import jieba.posseg as pseg
>>> words = pseg.cut("我爱北京天安门")
>>> for word, flag in words:
... print(‘%s %s‘ % (word, flag))
...
我 r
爱 v
北京 ns
天安门 ns
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() # 关闭并行分词模式例子：https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py(代码如下)
import sys
import time
sys.path.append("../../")
import jieba
jieba.enable_parallel()
url = sys.argv[1]
content = open(url,"rb").read()
t1 = time.time()
words = "/ ".join(jieba.cut(content))
t2 = time.time()
tm_cost = t2-t1
log_f = open("1.log","wb")
log_f.write(words.encode(‘utf-8‘))
print(‘speed %s bytes/second‘ % (len(content)/tm_cost))
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。
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
from jieba.analyse import ChineseAnalyzer用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py
使用示例：python -m jieba news.txt > cut_result.txt
标签：cost windows 切换 并行 通过 更改 停止 令行 汉字
原文地址：https://www.cnblogs.com/palace/p/9599443.html
