Giter Club home page Giter Club logo

jieba's Introduction

jieba

“结巴”中文分词:做最好的 Python 中文分词组件

"Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module.

  • Scroll down for English documentation.

特点

  • 支持四种分词模式:
    • 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。
    • paddle模式,利用PaddlePaddle深度学习框架,训练序列标注(双向GRU)网络模型实现分词。同时支持词性标注。paddle模式使用需安装paddlepaddle-tiny,pip install paddlepaddle-tiny==1.6.1。目前paddle模式支持jieba v0.40及以上版本。jieba v0.40以下版本,请升级jieba,pip install jieba --upgradePaddlePaddle官网
  • 支持繁体分词
  • 支持自定义词典
  • MIT 授权协议

安装说明

代码对 Python 2/3 均兼容

  • 全自动安装:easy_install jieba 或者 pip install jieba / pip3 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
  • 如果需要使用paddle模式下的分词和词性标注功能,请先安装paddlepaddle-tiny,pip install paddlepaddle-tiny==1.6.1

算法

  • 基于前缀词典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

主要功能

  1. 分词

  • jieba.cut 方法接受四个输入参数: 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;use_paddle 参数用来控制是否使用paddle模式下的分词模式,paddle模式采用延迟加载方式,通过enable_paddle接口安装paddlepaddle-tiny,并且import相关代码;
  • 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
  • 待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意:不建议直接输入 GBK 字符串,可能无法预料地错误解码成 UTF-8
  • 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 list
  • jieba.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。

代码示例

# encoding=utf-8
import jieba

jieba.enable_paddle()# 启动paddle模式。 0.40版之后开始支持,早期版本不支持
strs=["我来到北京清华大学","乒乓球拍卖完了","**科学技术大学"]
for str in strs:
    seg_list = jieba.cut(str,use_paddle=True) # 使用paddle模式
    print("Paddle Mode: " + '/'.join(list(seg_list)))

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**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))

输出:

【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学

【精确模式】: 我/ 来到/ 北京/ 清华大学

【新词识别】:他, 来到, 了, 网易, 杭研, 大厦    (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, **, 科学, 学院, 科学院, **科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造
  1. 添加自定义词典

载入词典

  • 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 为文件类对象或自定义词典的路径
  • 词典格式和 dict.txt 一样,一个词占一行;每一行分三部分: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。
  • 词频省略时使用自动计算的能保证分出该词的词频。

例如:

创新办 3 i
云计算 5
凱特琳 nz
台中

调整词典

  • 使用 add_word(word, freq=None, tag=None)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(('', ''), 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" --- #14
  1. 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
  • jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例,idf_path 为 IDF 频率文件

代码示例 (关键词提取)

https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py

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

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

关键词一并返回关键词权重值示例

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**:

  1. 将待抽取关键词的文本进行分词
  2. 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
  3. 计算图中节点的PageRank,注意是无向带权图

使用示例:

test/demo.py

  1. 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。
  • 除了jieba默认分词模式,提供paddle模式下的词性标注功能。paddle模式采用延迟加载方式,通过enable_paddle()安装paddlepaddle-tiny,并且import相关代码;
  • 用法示例
>>> import jieba
>>> import jieba.posseg as pseg
>>> words = pseg.cut("我爱北京***") #jieba默认模式
>>> jieba.enable_paddle() #启动paddle模式。 0.40版之后开始支持,早期版本不支持
>>> words = pseg.cut("我爱北京***",use_paddle=True) #paddle模式
>>> for word, flag in words:
...    print('%s %s' % (word, flag))
...
我 r
爱 v
北京 ns
*** ns

paddle模式词性标注对应表如下:

paddle模式词性和专名类别标签集合如下表,其中词性标签 24 个(小写字母),专名类别标签 4 个(大写字母)。

标签 含义 标签 含义 标签 含义 标签 含义
n 普通名词 f 方位名词 s 处所名词 t 时间
nr 人名 ns 地名 nt 机构名 nw 作品名
nz 其他专名 v 普通动词 vd 动副词 vn 名动词
a 形容词 ad 副形词 an 名形词 d 副词
m 数量词 q 量词 r 代词 p 介词
c 连词 u 助词 xc 其他虚词 w 标点符号
PER 人名 LOC 地名 ORG 机构名 TIME 时间
  1. 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:https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py

  • 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.dtjieba.posseg.dt

  1. Tokenize:返回词语在原文的起止位置

  • 注意,输入参数只接受 unicode
  • 默认模式
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

  • 搜索模式
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
  1. ChineseAnalyzer for Whoosh 搜索引擎

  1. 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.

延迟加载机制

jieba 采用延迟加载,import jiebajieba.Tokenizer() 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前缀字典。如果你想手工初始 jieba,也可以手动初始化。

import jieba
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:

jieba.set_dictionary('data/dict.txt.big')

例子: https://github.com/fxsjy/jieba/blob/master/test/test_change_dictpath.py

其他词典

  1. 占用内存较小的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small

  2. 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')

其他语言实现

结巴分词 Java 版本

作者:piaolingxue 地址:https://github.com/huaban/jieba-analysis

结巴分词 C++ 版本

作者:yanyiwu 地址:https://github.com/yanyiwu/cppjieba

结巴分词 Rust 版本

作者:messense, MnO2 地址:https://github.com/messense/jieba-rs

结巴分词 Node.js 版本

作者:yanyiwu 地址:https://github.com/yanyiwu/nodejieba

结巴分词 Erlang 版本

作者:falood 地址:https://github.com/falood/exjieba

结巴分词 R 版本

作者:qinwf 地址:https://github.com/qinwf/jiebaR

结巴分词 iOS 版本

作者:yanyiwu 地址:https://github.com/yanyiwu/iosjieba

结巴分词 PHP 版本

作者:fukuball 地址:https://github.com/fukuball/jieba-php

结巴分词 .NET(C#) 版本

作者:anderscui 地址:https://github.com/anderscui/jieba.NET/

结巴分词 Go 版本

结巴分词Android版本

友情链接

系统集成

  1. Solr: https://github.com/sing1ee/jieba-solr

分词速度

  • 1.5 MB / Second in Full Mode
  • 400 KB / Second in Default Mode
  • 测试环境: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz;《围城》.txt

常见问题

1. 模型的数据是如何生成的?

详见: #7

2. “台中”总是被切成“台 中”?(以及类似情况)

P(台中) < P(台)×P(中),“台中”词频不够导致其成词概率较低

解决方法:强制调高词频

jieba.add_word('台中') 或者 jieba.suggest_freq('台中', True)

3. “今天天气 不错”应该被切成“今天 天气 不错”?(以及类似情况)

解决方法:强制调低词频

jieba.suggest_freq(('今天', '天气'), True)

或者直接删除该词 jieba.del_word('今天天气')

4. 切出了词典中没有的词语,效果不理想?

解决方法:关闭新词发现

jieba.cut('丰田太省了', HMM=False) jieba.cut('我们中出了一个叛徒', HMM=False)

更多问题请点击https://github.com/fxsjy/jieba/issues?sort=updated&state=closed

修订历史

https://github.com/fxsjy/jieba/blob/master/Changelog


jieba

"Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module.

Features

  • Support three types of segmentation mode:
  1. Accurate Mode attempts to cut the sentence into the most accurate segmentations, which is suitable for text analysis.
  2. Full Mode gets all the possible words from the sentence. Fast but not accurate.
  3. Search Engine Mode, based on the Accurate Mode, attempts to cut long words into several short words, which can raise the recall rate. Suitable for search engines.
  • Supports Traditional Chinese
  • Supports customized dictionaries
  • MIT License

Online demo

http://jiebademo.ap01.aws.af.cm/

(Powered by Appfog)

Usage

  • Fully automatic installation: easy_install jieba or pip install jieba
  • Semi-automatic installation: Download http://pypi.python.org/pypi/jieba/ , run python setup.py install after extracting.
  • Manual installation: place the jieba directory in the current directory or python site-packages directory.
  • import jieba.

Algorithm

  • Based on a prefix dictionary structure to achieve efficient word graph scanning. Build a directed acyclic graph (DAG) for all possible word combinations.
  • Use dynamic programming to find the most probable combination based on the word frequency.
  • For unknown words, a HMM-based model is used with the Viterbi algorithm.

Main Functions

  1. Cut

  • The jieba.cut function accepts three input parameters: the first parameter is the string to be cut; the second parameter is cut_all, controlling the cut mode; the third parameter is to control whether to use the Hidden Markov Model.
  • jieba.cut_for_search accepts two parameter: the string to be cut; whether to use the Hidden Markov Model. This will cut the sentence into short words suitable for search engines.
  • The input string can be an unicode/str object, or a str/bytes object which is encoded in UTF-8 or GBK. Note that using GBK encoding is not recommended because it may be unexpectly decoded as UTF-8.
  • jieba.cut and jieba.cut_for_search returns an generator, from which you can use a for loop to get the segmentation result (in unicode).
  • jieba.lcut and jieba.lcut_for_search returns a list.
  • jieba.Tokenizer(dictionary=DEFAULT_DICT) creates a new customized Tokenizer, which enables you to use different dictionaries at the same time. jieba.dt is the default Tokenizer, to which almost all global functions are mapped.

Code example: segmentation

#encoding=utf-8
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))  # 默认模式

seg_list = jieba.cut("他来到了网易杭研大厦")
print(", ".join(seg_list))

seg_list = jieba.cut_for_search("小明硕士毕业于**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))

Output:

[Full Mode]: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学

[Accurate Mode]: 我/ 来到/ 北京/ 清华大学

[Unknown Words Recognize] 他, 来到, 了, 网易, 杭研, 大厦    (In this case, "杭研" is not in the dictionary, but is identified by the Viterbi algorithm)

[Search Engine Mode]: 小明, 硕士, 毕业, 于, **, 科学, 学院, 科学院, **科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造
  1. Add a custom dictionary

Load dictionary

  • Developers can specify their own custom dictionary to be included in the jieba default dictionary. Jieba is able to identify new words, but you can add your own new words can ensure a higher accuracy.
  • Usage: jieba.load_userdict(file_name) # file_name is a file-like object or the path of the custom dictionary
  • The dictionary format is the same as that of dict.txt: one word per line; each line is divided into three parts separated by a space: word, word frequency, POS tag. If file_name is a path or a file opened in binary mode, the dictionary must be UTF-8 encoded.
  • The word frequency and POS tag can be omitted respectively. The word frequency will be filled with a suitable value if omitted.

For example:

创新办 3 i
云计算 5
凱特琳 nz
台中
  • Change a Tokenizer's tmp_dir and cache_file to specify the path of the cache file, for using on a restricted file system.

  • Example:

      云计算 5
      李小福 2
      创新办 3
    
      [Before]: 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /
    
      [After]: 李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /
    

Modify dictionary

  • Use add_word(word, freq=None, tag=None) and del_word(word) to modify the dictionary dynamically in programs.

  • Use suggest_freq(segment, tune=True) to adjust the frequency of a single word so that it can (or cannot) be segmented.

  • Note that HMM may affect the final result.

Example:

>>> 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(('', ''), 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
  1. Keyword Extraction

import jieba.analyse

  • jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
    • sentence: the text to be extracted
    • topK: return how many keywords with the highest TF/IDF weights. The default value is 20
    • withWeight: whether return TF/IDF weights with the keywords. The default value is False
    • allowPOS: filter words with which POSs are included. Empty for no filtering.
  • jieba.analyse.TFIDF(idf_path=None) creates a new TFIDF instance, idf_path specifies IDF file path.

Example (keyword extraction)

https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py

Developers can specify their own custom IDF corpus in jieba keyword extraction

Developers can specify their own custom stop words corpus in jieba keyword extraction

There's also a TextRank implementation available.

Use: jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))

Note that it filters POS by default.

jieba.analyse.TextRank() creates a new TextRank instance.

  1. Part of Speech Tagging

  • jieba.posseg.POSTokenizer(tokenizer=None) creates a new customized Tokenizer. tokenizer specifies the jieba.Tokenizer to internally use. jieba.posseg.dt is the default POSTokenizer.
  • Tags the POS of each word after segmentation, using labels compatible with ictclas.
  • Example:
>>> import jieba.posseg as pseg
>>> words = pseg.cut("我爱北京***")
>>> for w in words:
...    print('%s %s' % (w.word, w.flag))
...
我 r
爱 v
北京 ns
*** ns
  1. Parallel Processing

  • Principle: Split target text by line, assign the lines into multiple Python processes, and then merge the results, which is considerably faster.

  • Based on the multiprocessing module of Python.

  • Usage:

    • jieba.enable_parallel(4) # Enable parallel processing. The parameter is the number of processes.
    • jieba.disable_parallel() # Disable parallel processing.
  • Example: https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py

  • Result: On a four-core 3.4GHz Linux machine, do accurate word segmentation on Complete Works of Jin Yong, and the speed reaches 1MB/s, which is 3.3 times faster than the single-process version.

  • Note that parallel processing supports only default tokenizers, jieba.dt and jieba.posseg.dt.

  1. Tokenize: return words with position

  • The input must be unicode
  • Default mode
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

  • Search mode
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
  1. ChineseAnalyzer for Whoosh

  1. Command Line Interface

$> 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.

Initialization

By default, Jieba don't build the prefix dictionary unless it's necessary. This takes 1-3 seconds, after which it is not initialized again. If you want to initialize Jieba manually, you can call:

import jieba
jieba.initialize()  # (optional)

You can also specify the dictionary (not supported before version 0.28) :

jieba.set_dictionary('data/dict.txt.big')

Using Other Dictionaries

It is possible to use your own dictionary with Jieba, and there are also two dictionaries ready for download:

  1. A smaller dictionary for a smaller memory footprint: https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small

  2. There is also a bigger dictionary that has better support for traditional Chinese (繁體): https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big

By default, an in-between dictionary is used, called dict.txt and included in the distribution.

In either case, download the file you want, and then call jieba.set_dictionary('data/dict.txt.big') or just replace the existing dict.txt.

Segmentation speed

  • 1.5 MB / Second in Full Mode
  • 400 KB / Second in Default Mode
  • Test Env: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz;《围城》.txt

jieba's People

Contributors

aholic avatar anderscui avatar changyy avatar cloudaice avatar davidlihm avatar fukuball avatar fxsjy avatar gumblex avatar hermanschaaf avatar jagt avatar jerryday avatar jesseyxujin avatar keroro520 avatar mno2 avatar neutrino3316 avatar nomaka avatar ooczc avatar piaolingxue avatar qinwf avatar shurachow avatar sing1ee avatar timgates42 avatar vissssa avatar walkskyer avatar wangbin avatar xyzhou-puck avatar yanyiwu avatar zhengzixiang avatar zheplusplus avatar zoeyyoung avatar

Stargazers

 avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar

Watchers

 avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar

jieba's Issues

分词后空格丢失

如“回复 踩1,顶19 ”经分词后,print("/".join(results))输出为“/回复/踩/1/,/顶/19”,‘回复’后面的两个空格被trim掉了,这相当于修改了原文的结构,建议修正。

viterbi算法的代码是不是有错误?

(prob,state ) = max([(V[t-1][y0] * trans_p[y0].get(y,0) * emit_p[y].get(obs[t],0) ,y0) for y0 in states ])

这个语句,我觉得state应该根据max(V[t-1][y0] * trans_p[y0].get(y,0))取值,而不是 max(V[t-1][y0] * trans_p[y0].get(y,0) * emit_p[y].get(obs[t],0)),不知道对不对

能提供简单的说明文档吗?

看了一下结果,感觉挺好的,想研究一下整个过程,能否提供一个简单的文档说明,代码都没有注释,python菜鸟请教。

自定义词典文件中的新增词词性被识别为x

e.g

江西德兴幼儿园唱红歌迎十八大

江西/ns 德兴/ns 幼儿园/nr 唱/v 红歌/x 迎/v 十八大/x

自定义词典中的被识别为x,其实应该是n。

  1. 自定义字典中可否加入词性?例如 十八大 5 x的形式;
  2. 如果不行,可以自己编辑原字典吗?(我用vi直接编辑字典dict.txt会导致无法使用)。

提供选项控制输出

建议提供 debug 选项控制类似下面这样的输出

print >> sys.stderr, f_name, ' at line', lineno, line

内存占用

使用 easy_install 安装的最新版,import jieba 之后在我的 Ubuntu 12.04 x64 512M VPS 上占用了 52.5% 的内存,这样的占用率会否太高了?或者是系统方面的问题?

谢谢

关于posseg词性的自定义词库的问题

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,即名词,但是走posseg分出来,还是被拆开了韩玉 nr,赏鉴 v,是不是分析词库和分词走得不是一个自定义词库?

通过用户自定义词典来增强歧义纠错能力

你好,最近在用你的分词,发现
大连 美容美发 学校 中君 意是 你 值得 信赖 的 选择

这句话被错误地切分了,我查看了dict.txt和idf.txt都没有找到“中君”和“意是”这两个词,不知道为什么>>会有这样的错分呢?

能不能从理论上解释一下?

RE:

"大连美容美发学校中君意是你值得信赖的选择" 这句话首先会按照概率连乘最大路径来切割,因为单字有一定概率,而“中君意是”这四个字中不含词典中有的词,所以会被切割成单字:

即:大连/ 美容美发/ 学校/ 中/ 君/ 意/ 是/ 你/ 值得/ 信赖/ 的/ 选择/

然后我们认为“中/ 君/ 意/ 是/ 你/ ”这几个连续的单字 中可能有词典中没有的新词,所以再用finalseg来切一遍“中君意是你 ”,finalseg是通过HMM模型来做的,简单来说就是给单字大上B,M,E,S四种标签以使得概率最大。

很遗憾,由于训练数据的问题,finalseg最终得到的标签是:

中君 意是 你
B E B E S

即认为P(B)_P(中|B)_P(E|B)_P(君|E)_P(B|E)_P(意|B)_P(E|B)_P(是|E)_P(S|E)*P(你|S) 是所有可能的标签组合中概率最大的。

B: 开头
E:结尾
M:中间
S: 独立成词的单字

解决方案是在词典中补充“君意”这个词,并给予一个词频,不用太大,比如3即可。

==user.dict===

君意 3

==test.py==

encoding=utf-8

import sys
import jieba
jieba.load_userdict("user.dict")
print ", ".join(jieba.cut("大连美容美发学校中君意是你值得信赖的选择"))

==结果===
大连, 美容美发, 学校, 中, 君意, 是, 你, 值得, 信赖, 的, 选择

最新稳定版本测试问题

用户自定义词典中的内容如下:

easy_install 99999999
正则表达式 999999

如下测试代码:

#coding=utf-8


import jieba
__author__ = 'yukaizhao'


if __name__ == '__main__':
    jieba.load_userdict(r'E:\outofmemory\search\dict.txt')
    terms = jieba.cut('easy_install is great')
    for t in terms:
        print t
    print '-------------------------'
    terms = jieba.cut('python 的正则表达式是好用的')
    for t in terms:
        print t

以上代码执行的结果:

easy
_
install

is

great
-------------------------
python

的
正则表达式
是
好
用
的

分词的结果很不理想, 有如下问题:

  1. easy_install 在自定义词典中定义了非常高的权重,但是依然被拆开了
  2. 英文半角的空格也会当作一个词切出来了
  3. 第二个句子“python 的正则表达式是好用的”,这里的“是好用的”切成了单字

我测试用的是最新的稳定版本0.26.1.

感谢作者的开源精神

连续的小概率乘法可能会导致浮点下溢

一般这种问题都会用log(p1)+log(p2)来代替p1*p2,但是这样要求概率不能为0。

源代码里看不到你是如何统计概率的,但是对于HMM,没记错的话分母应该是所有词的词频总和,分子应该是特定词的词频,如果要避免0概率,可以在分母上加上所有词的个数,分子加1,将求得的概率取对数放在prob_*.py里,然后在程序中把所有的乘法变成加法就好了。

关于利用动态规划求解最大概率路径

你好,我最近在看结巴分词的算法,看到在判断切分组合的时候,利用的是动态规划来求出最大组合概率,我觉得这个方法挺好。

不过,我有一个想法,不知道这样想对不对,还请指教。

我是这样想的,因为之前已经形成了切分词图,我在想可不可以利用图论里的最短路径的相关算法来做判断。但是最短路径求得是权值最短,如果把概率作为权值的话,这样直接算就算的是最小概率了。之前我看到过一篇论文有提出一个解决这种问题的办法,利用最短路径算法来求最大权值。

需要对权值做一定的转换。设边的权值为f(也就是词的频率或概率),取f的自然底数的对数的相反数,-ln(f),作为新的权值w,即w=-ln(f),利用这个权值w来求最短路径。

可以看出:
1,f越大,w越小
2,min(w1+w2+w3+...+wi)对应的是max(ln(f1_f2_f3_...fi)),也就是说求出有新权值w的图的最短路径后,相应的那个路径的组合概率 P=f1_f2_f3..._fi 是最大的,也就是我们要找的
3,由于f本来就是概率,所以0<f<1,因此w是非负数

所以可以通过求最短路径的方法来得到最大组合概率。

添加对 whoosh 的接口

最近研究 中文分词,准备自己做一个,采用双向匹配分词和HMM处理未登录词、削歧义。
不过看了jieba,感觉细节已经做了很多。
准备实现 whoosh 的分词接口,就用在下一个项目中。
不知道能不能提供些 jieba设计方面的资料

关于jieba的分词效果

首先感谢 @fxsjy 做了这个项目。
请问 @fxsjy ,jieba分词的效果如何呢,跟ICTCLASS相比呢?我是说是否做过相关的评测。
我测试了一些句子,感觉效果还可以。

能否为cut_for_search方法添加上词性标注?

现在cut方法有了词性标注,但cut_for_search方法好像没有词性标注。我现在在用Jieba做搜索引擎,想要个词性标注,以便获取不同的词性,不知道能否添加上?另外,能否有份关于词性说明的文档,即说明每个词性符号代表着哪种词性?

你好, 分詞後的output編碼會改變?

試用了jieba兩個星期 發現它真的很好用 感謝你的分享

但我這邊發現到一個問題 有些字 (我這裡都是以繁體字為主 , UTF-8)
分詞後的output編碼會改變

例如
INPUT: 隱形飛機 (str encode)

dd = "隱形飛機"
dd = '\xef\xbb\xbf\xe9\x9a\xb1\xe5\xbd\xa2\xe9\xa3\x9b\xe6\xa9\x9f'
segString = pseg.cut(dd)

segString的內容會變成

'\xe9\x9a\xb1\xe5\xbd\xa2'
'\xe9\xa3\x9b\xe6\xa9\x9f'

其中"隱形"前三碼xef\xbb\xbf 不見了

請問這有辦法修正嗎? 有試者改過將big5的"隱形" 貼到 dic.txt中 沒有用

謝謝

导入自定义库的时候报错

win7的系统,python 2.7

Building Trie...
loading model from cache
loading model cost 1.007999897 seconds.
Trie has been built succesfully.
Traceback (most recent call last):
File "D:\work\eclipse\workshop\python_try\src\hotkey.py", line 10, in
jieba.load_userdict("userdict.txt")
File "C:\Python27\lib\site-packages\jieba__init__.py", line 196, in load_userdict
content = f.read().decode('utf-8')
File "C:\Python27\lib\encodings\utf_8.py", line 16, in decode
return codecs.utf_8_decode(input, errors, True)
UnicodeDecodeError: 'utf8' codec can't decode byte 0xd4 in position 0: invalid continuation byte

分词结果中出现不明字节

我使用UTF-8编码的文本保存来网页的复制内容,用list(jieba.cut(text))分词后输出发现,开始处有不明字节“\ufeff”存在,如['\ufeff', '上有老']

网址、英文、数字和中文混合的语料,网站和英文也分词

语料中有网址的话,会分出http这样的词,而实际上这个是网址,如果网址中包含数字字母的随机数,也会分出来。
http://t.cn/zjARTkg
[u'http', u't', u'cn', u'zjARTkg']
https://github.com/fxsjy/jieba/issues/new
[u'https', u'github', u'com', u'fxsjy', u'jieba', u'issues', u'new']
我不清楚这个是不是应该我在给jieba原始语料中就应该去掉URL,还是应该包含在模块中

错误分词案例提交

该句“女性用户更容易八卦得到处说你不好”对'到处'的分词有问题,给分成‘处说’一词了
使用环境python 3.3,jieba.cut(test_sent)函数下测试

C#+Ironphthon运行结巴出错

C#的Main代码为:

static void Main()
{
    var ipy = Python.CreateRuntime();
    dynamic test = ipy.UseFile("Test2.py");
    test.Simple();
    // test.NonexistentMethod();
    Console.ReadLine();
}

然后:Test2.py文件内容为:

encoding=utf-8

import sys
import jieba

def Simple():
seg_list = jieba.cut_for_search("测试一下这个东西的效果是如何的!") #搜索引擎模式
print ", ".join(seg_list)

然后用IronPython出现错误。No module named future

处理词典时的建议

你好。

在 /jieda/init.py 的 gen_trie(f_name) 函数中,目前只是简单地读出所有文件内容,然后以 \n 切分,然后再对每一行切片。

这样会有一个问题,当碰到一个空行时,程序就会出错(split(' ') 之后的三个变量赋值会不匹配),并且,这个错误处理起来还比较麻烦(事实上我改了一下默认的字典文件后就出错了,我也找不出字典哪里有问题)。

我建议是不是对空行处理一下,比如:

def gen_trie(f_name):
    lfreq = {}
    trie = {}
    ltotal = 0.0

    with open(f_name, 'rb') as f:
        for l in f:
            l = l.decode('utf-8').strip()
            if not l:
                continue
            word, freq, _ = l.split(' ')
            freq = float(freq)
            lfreq[word] = freq
            ltotal+=freq
            p = trie
            for c in word:
                if not c in p:
                    p[c] ={}
                p = p[c]
            p['']='' #ending flag

    return trie, lfreq,ltotal

你好~ 我在论文中简要引用这个项目

你好~
我是之前询问你有关于打包之后不成功的那个人
我正在写我的本科毕业论文,然后我可能需要在论文中提到jieba
全文大概如下:

”jieba(结巴分词)是托管在GitHub上的一个由fxsjy开发维护的中文分词组件,使用了双Trie树、动态规划以及HMM模型,是使用Python开发的效果最好的中文分词组件“

现在在这里征求您的同意~
再次对您表示感谢~

代码风格能改成空格缩进么?

你好,我把代码拿下来看时,发现所有的缩进都是使用的TAB。

当然,这不影响代码的正常运行。

但是,我觉得现在大多数人使用的都是空格,于是当有人想对这个项目作 pull request 的时候会不会比较不方便?

pip 安装失败

WindowsServer2008 python3.3下使用pip install jieba安装失败
错误提示

      File "D:\Python33\Lib\site-packages\jieba\finalseg\__init__.py", line 62
        re_han, re_skip = re.compile(ur"([\u4E00-\u9FA5]+)"), re.compile(ur"([\.
0-9]+|[a-zA-Z0-9]+)")
                                                          ^
    SyntaxError: invalid syntax

      File "D:\Python33\Lib\site-packages\jieba\posseg\__init__.py", line 68
        re_han, re_skip = re.compile(ur"([\u4E00-\u9FA5]+)"), re.compile(ur"([\.
0-9]+|[a-zA-Z0-9]+)")
                                                          ^
    SyntaxError: invalid syntax

      File "D:\Python33\Lib\site-packages\jieba\__init__.py", line 42
        except ValueError, e:
                         ^
    SyntaxError: invalid syntax

请问这个库的授权

是GPL GPLv3 MIT 还是其他协议?
希望能指出, 谢谢!

此外如果dict.txt的来源有不同授权, 也希望能指出.

jieba3k 启动报错

如下:

import jieba
Traceback (most recent call last):
File "", line 1, in
File "/usr/lib/python3.3/site-packages/jieba/init.py", line 152
re_han, re_skip = re.compile(ur"([\u4E00-\u9FA5]+)"), re.compile(ur"[^a-zA-Z0-9+#\n]")
^
SyntaxError: invalid syntax
import sys
sys.version
'3.3.0 (default, Dec 12 2012, 07:38:12) \n[GCC 4.7.2]'

用户字典

如何解决向字典添加“leap motion”这种中间带空格的关键词

关键词提取质量很差

使用jieba提取readme内容中的关键词,返回的结果是:
jieba,the,cut,to,list

这个结果中是否可以将the,to剔除掉,有没有什么选项?

你好~ 在打包程序的时候出现了问题

你好我在我的一个小项目里使用了结巴分词,首先对您的努力表示感谢

我在使用py2exe打包我的程序的时候,其他的模块都没有出现问题,打包能够成功,但在运行的时候一直显示

IOError: [Errno 2] No such file or directory: 'E:\python\links\romeo\dist\l
ibrary.zip\jieba\finalseg\prob_start.py'

我单独写了一个.py文件,只有一句话:
import jieba
seg=jieba.cut('hello jieba')

打包,但运行的时候也是上面的那个结果。
image

我不知道您是否打包过使用了结巴的程序,如果有,您遇到过这样的问题吗?
或者您知道问题可能出现在哪吗?
谢谢啦~

/tmp/jieba.cache prevents multiple users from running jieba

If two users run jieba at the same time, the first user will own /tmp/jieba.cache and the second user will get permission denied. Can we have a way to specify this location in a configuration file so we don't have to hack the global temp file location for each user?

繁体自定义词典

请问,你知道我怎么能用结巴来分词繁体句子?目前这样的句子:

你還記得你上過紐約客的封面嗎? 

就有这样的分词:

你, 還, 記, 得, 你, 上, 過, 紐, 約, 客, 的, 封面, 嗎

(当然不对)但如果先换到简体分词它给对的答案。所以第一个办法是用我自己提供的繁体词典,但在哪里会找到这样的词典?第二个办法是先翻到简体,然后再一次翻到繁体,但这个办法也是容易出错的。有别的观念吗?

jieba分词库添加新词的问题

jieba 可以添加新词吗?
我看到词库里面每个词后面都有一个数字,不知是什么意思,添加新词,是否需要注意顺序。 我想要添>> 加一些更长的专有名词,如何能够让jieba优先按照长词切割。
比如 “模型设计师” ,当加入了这个新词之后,作为整体切割,而非割为 “模型” 和 “设计师” 两个词。

Re:

那个数字是我的语料中词语出现的次数。
如果你要添加新词,直接在dict.txt后面添加一行就行了,数字可以写一个较小的整数就行了,比如3。

包含符号的字符串的切分结果很奇怪

例如:
“我+你-他_我们/他们” --> “我/ +/ 你/ 他/ 我们/ 他们/ ”
“1+2-3_4/5” --> “1+2/ 3/ 4/ 5/ ”

只有加号保留下来了,其余的符号都去掉了,不知道是不是有意这么设计的?

ictclas 词性标注在哪里可以看到?

word_flag是具体什么意思?

m
i
l
d
s
t
nr
n
mq
j
a
nz
r
b
f
nrt
v
z
ns
q
vn
c
nt
u
o
zg
nrfg
df
p
g
y
ad
vg
ng
x
ul
k
ag
dg
rr
rg
an
vq
e
uv
tg
mg
ud
vi
vd
uj
uz
h
ug
rz

Recommend Projects

  • React photo React

    A declarative, efficient, and flexible JavaScript library for building user interfaces.

  • Vue.js photo Vue.js

    🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.

  • Typescript photo Typescript

    TypeScript is a superset of JavaScript that compiles to clean JavaScript output.

  • TensorFlow photo TensorFlow

    An Open Source Machine Learning Framework for Everyone

  • Django photo Django

    The Web framework for perfectionists with deadlines.

  • D3 photo D3

    Bring data to life with SVG, Canvas and HTML. 📊📈🎉

Recommend Topics

  • javascript

    JavaScript (JS) is a lightweight interpreted programming language with first-class functions.

  • web

    Some thing interesting about web. New door for the world.

  • server

    A server is a program made to process requests and deliver data to clients.

  • Machine learning

    Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.

  • Game

    Some thing interesting about game, make everyone happy.

Recommend Org

  • Facebook photo Facebook

    We are working to build community through open source technology. NB: members must have two-factor auth.

  • Microsoft photo Microsoft

    Open source projects and samples from Microsoft.

  • Google photo Google

    Google ❤️ Open Source for everyone.

  • D3 photo D3

    Data-Driven Documents codes.