【编程课堂】jieba-中文分词利器
0、前言
在之前的文章【编程课堂】词云 wordcloud 中，我们曾使用过 jieba 库，当时并没有深入讲解，所以本次将其单独列出来详细讲解。
jieba库是进行中文分词的利器，根据文档描述，具有以下特点：
- 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
本文立足实际需求，提取出部分常用的功能作为讲解，内容包括：
- 分词
- 提取关键词
- 搜索词汇位置
1、分词
中文分词是 jieba 库的核心，其下包括常用的 cut() 和 cut_for_search() 函数。
cut() 函数传入待分词的字符串，返回一个可迭代的生成器，可使用 for 循环提取或者 list 转为列表形式。
import jieba
string = '今天天气特别好，很开心'
result = jieba.cut(string)
print(list(result))结果：
['今天天气', '特别', '好', '，', '很', '开心']cut() 函数默认采用精确模式，使用全模式需修改 cut_all 参数为 True
代码如下：
result = jieba.cut(string,cut_all=True)结果为：
['今天', '今天天气', '天天', '天气', '特别', '好', '', '', '很', '开心']cut_for_search() 分词函数采用搜索引擎模式，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，通俗来说就是尽可能多的将字符串分割为有效的词汇。
示例：
string = '今天天气'res = jieba.cut(string)
res2 = jieba.cut_for_search(string)
print('使用cut:',list(res))
print('使用cut_for_search:',list(res2))结果：
使用cut: ['今天天气']
使用cut_for_search: ['今天', '天天', '天气', '今天天气']由于采取了不同的分词策略，所以最后的结果也不一样，使用哪个需要根据应用场景来选择。
2、提取词汇
在处理词汇时，常常我们会提取出现频率比较高的关键词，jieba.analyse.extract_tags()具有此功能，它接受 4 个参数
- 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
我们以西游记为例，提取出权重占比最高的前20个词汇，代码如下：
from jieba.analyse
import extract_tags
with open('西游记.txt','r',errors='ignore')as f:
data = f.read()
res = extract_tags(data)
print(res)结果如下：
['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']修改 topK = 10 得到：
['行者', '八戒', '师父', '三藏', '唐僧',
'大圣', '沙僧', '妖精', '菩萨', '和尚']修改 withWeight = True 得到：
[('行者', 0.14971032916840787), ('八戒', 0.0684495682590684),
('师父', 0.06131338130166949), ('三藏', 0.05296939997015923),
('唐僧', 0.034778382561747076), ('大圣', 0.032424843415734234),
('沙僧', 0.03158331000220929), ('妖精', 0.027699530179843303),
('菩萨', 0.02576333341504996), ('和尚', 0.02426762372832522)]jieba 只能返回词汇的权重，而不能返回该词出现的频率，所以在一些特定的应用场景下，比如生成词云图，需要频数时，使用 jieba.cut() 和 collections 下的 Counter 解决起来更方便，关于 Counter参考：【Counter】
3、搜索词汇位置
jieba 库也包含了定位词汇位置的功能，jieba.tokenize() 可以实现此功能，该函数接收字符串，返回一个生成器，包含所有分词结果以及始末位置，基本用法如下：
import jieba
string = '今天天气特别好，很开心'
result = jieba.tokenize(string)
print(list(result))结果如下：
[('今天天气', 0, 4), ('特别', 4, 6), ('好', 6, 7),
('，', 7, 8), ('很', 8, 9), ('开心', 9, 11)]如果我们只是找到某个特定的词汇在文中的位置，拿之前的西游记文本为例，我们去寻找词汇 “行者” 第一次出现的位置
with open('西游记.txt','r',errors='ignore')as f:
data = f.read()
result = jieba.tokenize(data)
for i in result:
if '行者' in i:
print(i)
break结果：
('行者', 8593, 8595)如此，就能很方便的找到特定词汇在文章中出现的位置。
4、小结
以上就是 jieba 库的常用的方法，该库还包括词性标注、并行分词、命令行分词、添加字典等等功能。 更详细的内容参考官方文档：https://github.com/fxsjy/jieba 对该库的算法感兴趣的同学可参考 jieba分词的基本思路： https://segmentfault.com/a/1190000004061791 对Python中文分词模块结巴分词算法过程的理解和分析：http://blog.csdn.net/rav009/article/details/12196623
本文分享自 Crossin的编程教室 微信公众号，前往查看
如有侵权，请联系 cloudcommunity@tencent.com 删除。
本文参与 腾讯云自媒体同步曝光计划 ，欢迎热爱写作的你一起参与！
腾讯云开发者
