关于jieba结巴中文分词的基本尝试
2017-04-08 01:38
288 查看
In [1]: import jieba In [2]: a = jieba.cut("我来到了清华大学",cut_all=True) In [3]: a Out[3]: <generator object Tokenizer.cut at 0x000001E8E9CBFDB0> In [4]: list(a) Building prefix dict from the default dictionary ... Dumping model to file cache C:\Users\rHotD\AppData\Local\Temp\jieba.cache Loading model cost 0.985 seconds. Prefix dict has been built succesfully. Out[4]: ['我', '来到', '了', '清华', '清华大学', '华大', '大学'] In [5]: a = jieba.cut("我来到了清华大学",cut_all=False) In [6]: list(a) Out[6]: ['我', '来到', '了', '清华大学'] In [7]: a = jieba.cut("我来到了清华大学") In [8]: list(a) Out[8]: ['我', '来到', '了', '清华大学'] In [9]: a = jieba.cut("花儿为什么这样红,你为啥这么美") In [10]: list(a) Out[10]: ['花儿', '为什么', '这样', '红', ',', '你', '为啥', '这么', '美'] In [11]: a = jieba.lcut("花儿为什么这样红,你为啥这么美") In [12]: a Out[12]: ['花儿', '为什么', '这样', '红', ',', '你', '为啥', '这么', '美']
支持三种分词模式:
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。
jieba.cut方法
接受三个输入参数: 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
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。
相关文章推荐
- python︱六款中文分词模块尝试:jieba、THULAC、SnowNLP、pynlpir、CoreNLP、pyLTP 转载
- 结巴(jieba)中文分词及其应用实践
- 使用python 的结巴(jieba)库进行中文分词
- python︱六款中文分词模块尝试:jieba、THULAC、SnowNLP、pynlpir、CoreNLP、pyLTP
- 【结巴分词资料汇编】结巴中文分词基本操作(3)
- python中文分词工具:结巴分词jieba
- jieba(结巴)—— Python 中文分词
- Python中文分词--jieba的基本使用
- 搜索引擎–Python下的分词插件 jieba 结巴分词
- Nutch1.2二次开发(关于中文分词)
- Nutch1.2二次开发(关于中文分词)
- Python分词模块推荐:结巴中文分词
- 关于中文分词系统里的isChineseNumber()函数
- 关于中文分词-转载1_一个北京程序员
- 中文分词基本算法主要分类
- 对Python中文分词模块结巴分词算法过程的理解和分析
- python中文分词工具——结巴分词
- Python 中文分词工具 ——结巴分词的使用方法总结
- 对Python中文分词模块结巴分词算法过程的理解和分析
- 结巴分词 0.14 版发布,Python 中文分词库