Python 4-07 jieba

https://github.com/felinx/jieba

"结巴"中文分词

一、jieba

class Tokenizer(object): # 分词器
    def cut(self, sentence, cut_all=False, HMM=True, use_paddle=False):
        """
        The main function that segments an entire sentence that contains
        Chinese characters into separated words.

        Parameter:
            - sentence: The str(unicode) to be segmented.
            - cut_all: Model type. True for full pattern, False for accurate pattern.
            - HMM: Whether to use the Hidden Markov Model.
            - use_paddle：paddle 模式采用延迟加载方式，通过 enable_paddle 接口安装 paddlepaddle-tiny。

        Return:      
        	generator
'''
        """
    def cut_for_search(self, sentence, HMM=True):
        """
        Finer segmentation for search engines. 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。
        """
    def lcut(self, *args, **kwargs):
        return list(self.cut(*args, **kwargs))

    def lcut_for_search(self, *args, **kwargs):
        return list(self.cut_for_search(*args, **kwargs))
        
    def load_userdict(self, f):
        '''
        Load personalized dict to improve detect rate.

        Parameter:
            - f : A plain text file contains words and their ocurrences.
                  Can be a file-like object, or the path of the dictionary file,
                  whose encoding must be utf-8.

        Structure of dict file:
        word1 freq1 word_type1
        word2 freq2 word_type2
        ...
        Word type may be ignored
        '''        
    def add_word(self, word, freq=None, tag=None):
        """
        Add a word to dictionary.

        freq and tag can be omitted, freq defaults to be a calculated value
        that ensures the word can be cut out.
        """
    def del_word(self, word):
        """
        Convenient function for deleting a word.
        """
    def suggest_freq(self, segment, tune=False):
        """
        Suggest word frequency to force the characters in a word to be
        joined or splitted.

        Parameter:
            - segment : The segments that the word is expected to be cut into,
                        If the word should be treated as a whole, use a str.
            - tune : If True, tune the word frequency.

        Note that HMM may affect the final result. If the result doesn't change,
        set HMM=False.
        """
    def tokenize(self, unicode_sentence, mode="default", HMM=True):
        """
        Tokenize a sentence and yields tuples of (word, start, end)

        Parameter:
            - sentence: the str(unicode) to be segmented.
            - mode: "default" or "search", "search" is for finer segmentation.
            - HMM: whether to use the Hidden Markov Model.
        """
        
	def enable_parallel(processnum=None):
	    """
	    Change the module's `cut` and `cut_for_search` functions to the
	    parallel version.
	
	    Note that this only works using dt, custom Tokenizer
	    instances are not supported.
	    """

Jieba 分词结合了基于规则和基于统计这两类方法。

首先基于前缀词典进行词图扫描，前缀词典是指词典中的词按照前缀包含的顺序排列，例如词典中出现了“上”，之后以“上”开头的词都会出现在这一部分，例如“上海”，进而会出现“上海市”，从而形成一种层级包含结构。

如果将词看作节点，词和词之间的分词符看作边，那么一种分词方案则对应着从第一个字到最后一个字的一条分词路径。

因此，基于前缀词典可以快速构建包含全部可能分词结果的有向无环图，这个图中包含多条分词路径，有向是指全部的路径都始于第一个字、止于最后一个字，无环是指节点之间不构成闭环。

基于标注语料，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。(进一步了解中文分词算法，请点击：入门科普：一文看懂NLP和中文分词算法（附代码举例）)
————————————————

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。

1、分词模式：

• 默认模式：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 Paddle 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。

目前 paddle 模式支持 jieba v0.40 及以上版本。paddle 模式需安装 paddlepaddle-tiny，python38 无法安装，python37 可以。

pip install jieba -U
pip install paddlepaddle -U
pip install paddlepaddle-tiny

import jieba

sentence = "宣化科技职业学院信息工程系二年级大学生"

seg_generator = jieba.cut(sentence)  # 默认是精确模式
print("Default Mode: " + "/".join(seg_generator))

# seg_generator = jieba.cut(sentence, cut_all=False)
# print("Default Mode: " + "/".join(seg_generator))  # 精确模式

seg_generator = jieba.cut(sentence, cut_all=True)
print("Full Mode: " + "/".join(seg_generator))  # 全模式

seg_generator = jieba.cut_for_search(sentence)  # 搜索引擎模式
print("Search engines Mode: " + "/".join(seg_generator))

Default Mode: 宣化/科技/职业/学院/信息工程/系/二年级/大学生
Full Mode：宣化/科技/职业/学院/信息/信息工程/工程/工程系/二年/二年级/年级/大学/大学生/学生
Search engines Mode: 宣化/科技/职业/学院/信息/工程/信息工程/系/二年/年级/二年级/大学/学生/大学生

jieba.enable_paddle()  # 启动 paddle 模式。 0.40 版之后开始支持，早期版本不支持。
seg_generator = jieba.cut(sentence, use_paddle=True)
print("Paddle Mode: " + "/".join(seg_generator))

Paddle Mode: 宣化科技职业学院/信息/工程系/二年级/大学生

2、添加自定义词典：

开发者可以指定自定义词典，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。

jieba.load_userdict(file_name)  #  file_name 为文件类对象或自定义词典的路径

词典的格式：

词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。
宣化科技职业学院 5 nt
信息工程系 3 nt

词频省略时使用自动计算的能保证分出该词的词频。
注：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。

3、调整词典

# 1、在程序中动态修改词典
# add_word(word, freq=None, tag=None)
# del_word(word) 
>>> import jieba
>>> jieba.add_word('信息工程系')
Building prefix dict from the default dictionary ...

>>> '/'.join(jieba.cut('信息工程系'))
'信息工程系'
# 2、可调节单个词语的词频，使其能（或不能）被分出来。
suggest_freq(segment, tune=True) 

注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。

>>> '/'.join(jieba.cut('信息工程系'))
'信息工程/系'
>>> jieba.suggest_freq('信息工程系',True)
1
>>> '/'.join(jieba.cut('信息工程系'))
'信息工程系'

问题：“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)

问题： “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’)

问题： 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)

二、关键词提取

基于 TF-IDF 算法的关键词抽取

class TFIDF(KeywordExtractor):
    def extract_tags(self, sentence, topK=20, withWeight=False, allowPOS=(), withFlag=False):
        """
        Extract keywords from sentence using TF-IDF algorithm.
        Parameter:
            - topK: return how many top keywords. `None` for all possible words.
            - withWeight: if True, return a list of (word, weight);
                          if False, return a list of words.
            - allowPOS: the allowed POS list eg. ['ns', 'n', 'vn', 'v','nr'].
                        if the POS of w is not in this list,it will be filtered.
            - withFlag: only work with allowPOS is not empty.
                        if True, return a list of pair(word, weight) like posseg.cut
                        if False, return a list of words
        """

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

jieba.analyse.set_idf_path(file_name) # file_name为自定义语料库的路径

自定义语料库示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.py

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

jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径

自定义语料库示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.py

关键词一并返回关键词权重值示例

用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_with_weight.py

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

基本思想:

将待抽取关键词的文本进行分词
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
计算图中节点的PageRank，注意是无向带权图
使用示例:

见 test/demo.py

三、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。

用法示例

>>> import jieba.posseg as pseg
>>> words = pseg.cut("我爱北京天安门")
>>> for word, flag in words:
...    print('%s %s' % (word, flag))
...
我 r
爱 v
北京 ns
天安门 ns

四、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.dt 和 jieba.posseg.dt。

五、Tokenize：返回词语在原文的起止位置

注意，输入参数只接受 unicode

1、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

2、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

六、ChineseAnalyzer for Whoosh 搜索引擎

引用： from jieba.analyse import ChineseAnalyzer
用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py

七、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：
1
$> 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.

八、延迟加载机制

jieba 采用延迟加载，import jieba 和 jieba.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')
1

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

九、其他词典

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

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’)