jieba分词的基本用法和词性标注

2024-06-28 18:54| 来源: 网络整理| 查看: 265

jieba分词的基本用法和词性标注一、jieba 分词基本概述二、添加自定义词典3、关键词提取四、词性标注 *五、并行分词六、Tokenize：返回词语在原文的起始位置

jieba分词的基本用法和词性标注一、jieba 分词基本概述它号称“做最好的Python中文分词组件”的jieba分词是python语言的一个中文分词包。它有如下三种模式：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，接下来看一个小 demo 如下： 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 ("\nDefault 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 ('\n新词识别：(如，杭研)',", ".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 ("\n搜索引擎模式：",", ".join(seg_list)) Full Mode: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学 Default Mode: 我/ 来到/ 北京/ 清华大学新词识别：(如，杭研) 他, 来到, 了, 网易, 杭研, 大厦搜索引擎模式：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, 深造二、添加自定义词典

1、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。 2、用法：jieba.load_userdict(file_name) # file_name为自定义词典的路径 3、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 4、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 /

可以参见jieba 官方提供的自定义词典，以及程序：https://github.com/fxsjy/jieba/blob/master/test/userdict.txt

用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py 5、故可以 “通过用户自定义词典来增强歧义纠错能力”

3、关键词提取

1、首先，通过如下代码导入下面的库

import jieba.analyse

其次：便可以使用，

jieba.analyse.extract_tags(sentence,topK) 其中，sentence 为待提取的文本topK 为返回的几个 TF/IDF 权重最大的关键词，默认值为20

代码可以参见： https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py

四、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： >>> import jieba.posseg as pseg >>> words =pseg.cut("我爱北京天安门") >>> for w in words: ... print w.word,w.flag ... 输出如下：我 r 爱 v 北京 ns 天安门 ns 五、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，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，参见如下： https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py

六、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 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 这里附上词性标注表，如下：

名词 (1个一类，7个二类，5个三类)

名词分为以下子类：

n 名词nr 人名nr1 汉语姓氏nr2 汉语名字nrj 日语人名nrf 音译人名ns 地名nsf 音译地名nt 机构团体名nz 其它专名nl 名词性惯用语ng 名词性语素

时间词(1个一类，1个二类)

t 时间词tg 时间词性语素

处所词(1个一类)

s 处所词

方位词(1个一类)

f 方位词

动词(1个一类，9个二类)

v 动词vd 副动词vn 名动词vshi 动词“是”vyou 动词“有”vf 趋向动词vx 形式动词vi 不及物动词（内动词）vl 动词性惯用语vg 动词性语素

形容词(1个一类，4个二类)

a 形容词ad 副形词an 名形词ag 形容词性语素al 形容词性惯用语

区别词(1个一类，2个二类)

b 区别词bl 区别词性惯用语

状态词(1个一类)

z 状态词

代词(1个一类，4个二类，6个三类)

r 代词rr 人称代词rz 指示代词rzt 时间指示代词rzs 处所指示代词rzv 谓词性指示代词ry 疑问代词ryt 时间疑问代词rys 处所疑问代词ryv 谓词性疑问代词rg 代词性语素

数词(1个一类，1个二类)

m 数词mq 数量词

量词(1个一类，2个二类)

q 量词qv 动量词qt 时量词

副词(1个一类)

d 副词

介词(1个一类，2个二类)

p 介词pba 介词“把”pbei 介词“被”

连词(1个一类，1个二类)

c 连词cc 并列连词

助词(1个一类，15个二类)

u 助词uzhe 着ule 了喽uguo 过ude1 的底ude2 地ude3 得usuo 所udeng 等等等云云uyy 一样一般似的般udh 的话uls 来讲来说而言说来uzhi 之ulian 连（“连小学生都会”）

叹词(1个一类)

e 叹词

语气词(1个一类)

y 语气词(delete yg)

拟声词(1个一类)

o 拟声词

前缀(1个一类)

h 前缀

后缀(1个一类)

k 后缀

字符串(1个一类，2个二类)

x 字符串xx 非语素字xu 网址URL

标点符号(1个一类，16个二类)

w 标点符号wkz 左括号，全角：（〔［｛《【〖〈半角：( [ { wyz 左引号，全角：“ ‘ 『wyy 右引号，全角：” ’ 』wj 句号，全角：。ww 问号，全角：？半角：?wt 叹号，全角：！半角：!wd 逗号，全角：，半角：,wf 分号，全角：；半角： ; wn 顿号，全角：、wm 冒号，全角：：半角： :ws 省略号，全角：…… …wp 破折号，全角：—— －－ ——－半角：— wb 百分号千分号，全角：％ ‰ 半角：%wh 单位符号，全角：￥＄￡ ° ℃ 半角 $

转载自： https://blog.csdn.net/li_31415/article/details/48660073

【本文地址】

公司简介

联系我们