Python 中的 jieba 库

来源：互联网收集：自由互联发布时间：2022-05-30

目录 jieba库一、简介 1、是什么 2、安装二、基本使用 1、三种模式 2、使用语法 2.1 对词组的基本操作 2.2 关键字提取 2.3 词性标注 2.4 返回词语在原文的起止位置 jieba库一、简介

jieba库
- 一、简介
  - 1、是什么
  - 2、安装
- 二、基本使用
  - 1、三种模式
  - 2、使用语法
    - 2.1 对词组的基本操作
    - 2.2 关键字提取
    - 2.3 词性标注
    - 2.4 返回词语在原文的起止位置

jieba库一、简介 1、是什么

（1）jieba是优秀的中文分词第三方库

中文文本需要通过分词获得单个的词语
jieba是优秀的中文分词第三方库，需要额外安装
jieba库提供三种分词模式，最简单只需掌握一个函数

（2）jieba分词的原理

jieba分词依靠中文词库
利用一个中文词库，确定汉字之间的关联概率
汉字间概率大的组成词组，形成分词结果
除了分词，用户还可以添加自定义的词组

2、安装

pip install jieba
导入
import jieba

官方文档【https://github.com/fxsjy/jieba】

二、基本使用 1、三种模式

精确模式：

就是把一段文本精确地切分成若干个中文单词，若干个中文单词之间经过组合，就精确地还原之前的文本。其中不存在冗余单词

str = "你好呀，我叫李华！多多关照！"
print(jieba.lcut(str))

全模式：

将一段文本中所有可能的词语都扫描出来，可能有一段文本，它可以切分成不同的模式，或者有不同的角度来切分变成不同的词语，在全模式下，jieba库会将各种不同的组合都挖掘出来。分词后的信息组合起来会有冗余，不再是原来的文本

str = "你好呀，我叫李华！多多关照！"
print(jieba.lcut(str, cut_all=True))

搜索引擎模式：

在精确模式的基础上，对发现的那些长的词语，我们会对它再次切分，进而适合搜索引擎对短词语的索引和搜索。也有冗余

str = "你好呀，我叫李华！多多关照！"
print(jieba.lcut_for_search(str))

2、使用语法 2.1 对词组的基本操作

添加

str = "你好呀，我叫李华！多多关照！"
jieba.add_word("你")
print(jieba.lcut(str))

删除

str = "你好呀，我叫李华！多多关照！"
jieba.del_word("李华")
print(jieba.lcut(str))

加载自定义词典

str = "你好呀，我叫李华！多多关照！"
jieba.load_userdict("./dict.txt")  # 文件编码必须为 utf-8
print(jieba.lcut(str))

调整词出现的频率

str = "你好呀，我叫李华！多多关照！"
jieba.suggest_freq(("李", "华"), True)
print(jieba.lcut(str))

2.2 关键字提取

TFIDF算法

import jieba.analyse  # 导包

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False,
                           allowPOS=())
jieba.analyse.TFIDF(idf_path=None)  # 创建一个新的 TFIDF 实例，idf_path是指指定 IDF 频率文件的路径

参数：

sentence：要提取的文本

topK：返回多少个具有最高TF/IDF权重的关键字。默认值为 20

withWeight：是否返回关键字的TF/IDF权重。默认为假

allowPOS：过滤包含POS（词性）的单词。空无过滤，可以选择['ns', 'n', 'vn', 'v','nr']

TextRank算法

jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))  # 有默认词性
jieba.analyse.TextRank()  # 新建自定义 TextRank 实例

2.3 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

import jieba.posseg

str = "你好呀，我叫李华！多多关照！"
pt = jieba.posseg.POSTokenizer()
print(pt.lcut(str))  # 得到 pair键值对，使用遍历取值
# print(jieba.posseg.cut(str))  # 作用一样
for i, k in ps.lcut(str):
    print(i, k)

2.4 返回词语在原文的起止位置

jieba.tokenize(arg, mode=None)

mode有搜索模式（search）和默认模式（default）

import jieba

str = "你好呀，我叫李华！多多关照！"
g = jieba.tokenize(str, mode="search")  # 生成器
for i in g:
    print(i)

【文章转自迪拜服务器 http://www.558idc.com/dibai.html处的文章,转载请说明出处】

上一篇：Web漏洞知识浅析
下一篇：没有了

Python 中的 jieba 库

相关文章