关于jieba结巴中文分词的基本尝试

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。