python-jieba库

jieba库，python提供的中文分词函数库的第三方库，它可以将一段中文文本分割成中文词语序列。

安装jieba库

pip install jieba
1

jieba的三个模式

• 全模式 - - - jieba.lcut(s,cut_all=True) - - - 速度非常快，但有冗余数据

• 精确模式（最常用） - - - jieba.lcut(s) - - - 适合文本分析

• 搜索引擎模式 - - - jieba.lcut_for_search(s) - - - 在精确模式的基础上，对长词进行切分，适合用于搜索引擎分词

  三种模式都返回一个list类型

jieba.add_word(w) - - - 向分词字典中添加新词w

jieba.del_word(w) - - - 将词典中的词语w删除

import jieba
jieba.lcut('吃葡萄不吐葡萄皮')
# ['吃', '葡萄', '不吐', '葡萄', '皮']
1
2
3

jieba.lcut('你们谁吃葡萄不吐葡萄皮？',cut_all=True)
# ['你们', '谁', '吃', '葡萄', '不', '吐', '葡萄', '皮', '？']
jieba.lcut_for_search('你们谁吃葡萄不吐葡萄皮？')
# ['你们', '谁', '吃', '葡萄', '不吐', '葡萄', '皮', '？']
jieba.add_word('吃葡萄不吐葡萄皮')
jieba.lcut('你们谁吃葡萄不吐葡萄皮？')
# ['你们', '谁', '吃葡萄不吐葡萄皮', '？']
1
2
3
4
5
6
7

其他常用方法

1. 分词方法：jieba.cut()，可以将文本分成词语的列表，支持多种分词模式，如精确模式、全模式、搜索引擎模式等。
   返回一个可迭代的生成器对象，使用list函数将其变为列表

2. jieba.add_word(word, freq=None, tag=None): 向词典中添加新词，freq表示词频，tag表示词性。

3. 获取停用词：jieba.analyse.set_stop_words(stop_words_path)，可以获取停用词列表，对于语义分析来说，停用词可以过滤掉一些无意义的词语。

4. 关键词提取：jieba.analyse.extract_tags(sentence, topK=20, withWeight=False)，可以提取文本中的关键词，并按照权重排序输出
   topK表示返回关键词的个数，withWeight表示是否返回权重值

   import jieba.analyse
   jieba.analyse.set_stop_words(stop_words_path)
   jieba.analyse.extract_tags()
   1
   2
   3

5. Tokenize方法：jieba.tokenize(unicode_sentence, mode=‘default’, HMM=True)，可以返回每个词的位置、长度和词语本身，可用于索引分词等功能。

6. jieba.load_userdict(file_name): 加载用户自定义的词典文件。