烦烦烦( ˇˍˇ )
我只做 搬运工。。。。。
jieba
"结巴"中文分词：做最好的Python中文分词组件 "Jieba"。
Feature
-
支持三种分词模式：
-
精确模式，试图将句子最精确地切开，适合文本分析；
-
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；
-
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。
-
-
支持繁体分词
-
支持自定义词典（如何上传自己的词典呢，词典的结构又是什么样子的呢）
Algorithm
-
-
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 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 )
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： jieba.load_userdict(file_name) # file_name为自定义词典的路径
-
词典格式和dict.txt一样，一个词占一行；每一行分三部分，一部分为词语，另一部分为词频，最后为词性（可省略），用空格隔开
-
范例：
-
-
- 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 /
-
自定义词典：
-
用法示例：
-
-
"通过用户自定义词典来增强歧义纠错能力" ---
-
-
功能 3) ：关键词提取
-
jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse
-
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）
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
-
-
-
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：
-
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：
-
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。
-
-
-
-
功能 6) : Tokenize：返回词语在原文的起始位置
-
-
-
-
-
注意，输入参数只接受unicode
-
默认模式
-
-
-
-
功能 7) : ChineseAnalyzer for Whoosh搜索引擎
-
-
-
-
-
-
-
引用： from jieba.analyse import ChineseAnalyzer
-
用法示例：
-
-
-
-
-
-