参考：
Python 中文分词组件 jiaba
Python中文分词 jieba 十五分钟入门与进阶
jieba完整文档
$好玩的分词——python jieba分词模块的基本用法
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。
主要功能：
1. 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(是否开启HMM进行中文分词)
- 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，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。
cut(self, sentence, cut_all=False, HMM=True) # 默认精确模式
cut_for_search(self, sentence, HMM=True) # 搜索引擎模式
import jieba
jieba.add_word('中国科学院')
seg_list = jieba.cut("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", cut_all=False) # 精确模式
print(" ".join(seg_list))
seg_list = jieba.cut("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", cut_all=True) # 全模式
print(" ".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(" ".join(seg_list))
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
小 明 硕士 毕业 于 中国 中国科学院 科学 科学院 学院 计算 计算所 后 在 日本 日本京都大学 京都 京都大学 大学 深造
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
note：
全模式与搜索引擎模式下自己添加的词不起作用
2. 添加自定义词典
载入词典：
- 用法： jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径
- 词典格式和 dict.txt 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），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。
- 词频省略时使用自动计算的能保证分出该词的词频。
官方范例：
- 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 /
- 自定义词典：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
调整词典:
- 使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。
- 使用 suggest_freq(segment, tune=True) 可调节单个词语的词频，使其能（或不能）被分出来。
- 注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。
案例：
seg_list = jieba.cut("我们中出了一个叛徒", cut_all=False)
print(" ".join(seg_list))
jieba.del_word('中出')
seg_list = jieba.cut("我们中出了一个叛徒", cut_all=False)
print(" ".join(seg_list))
我们 中出 了 一个 叛徒
我们 中 出 了 一个 叛徒
jieba.add_word('中出')
seg_list = jieba.cut("我们中出了一个叛徒", cut_all=False)
print(" ".join(seg_list))
jieba.suggest_freq(('中','出'),tune=True)
seg_list = jieba.cut("我们中出了一个叛徒", cut_all=False)
print(" ".join(seg_list))
我们 中出 了 一个 叛徒
我们 中 出 了 一个 叛徒
seg_list = jieba.cut("我们中出了一个叛徒", cut_all=False)
print(" ".join(seg_list))
jieba.suggest_freq('一个叛徒',tune=True)
seg_list = jieba.cut("我们中出了一个叛徒", cut_all=False)
print(" ".join(seg_list))
我们 中 出 了 一个 叛徒
我们 中 出 了 一个叛徒
3.关键词提取
基于 TF-IDF 算法的关键词抽取
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
- 用法： 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
- 用法： 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
import jieba
from jieba import analyse
text_full_path = r'C:\Users\jjj\Desktop/123.txt' #设置要分析的文本路径
text = open(text_full_path, encoding='utf-8').read()
for key in analyse.extract_tags(text,50, withWeight=True):
# 使用jieba.analyse.extract_tags()参数提取关键字,默认参数为50
print(key)
# 设置输出编码为utf-8不然在因为win下控制台默认中文字符集为gbk,所以会出现乱码
# 当withWeight=True时,将会返回number类型的一个权重值(TF-IDF)
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
使用示例:
4. 词性获取
- 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。
import jieba.posseg as pseg
words = pseg.cut('我爱北京天安门')
for w in words:
print(w.word, w.flag)
我 r
爱 v
北京 ns
天安门 ns
5.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。
附：结巴分词词性对照表（按词性英文首字母排序）
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
连词(1个一类，1个二类)
c 连词
cc 并列连词
副词(1个一类)
- d 副词
叹词(1个一类)
- e 叹词
方位词(1个一类)
- f 方位词
前缀(1个一类)
- h 前缀
后缀(1个一类)
- k 后缀
数词(1个一类，1个二类)
m 数词
mq 数量词
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
拟声词(1个一类)
- o 拟声词
介词(1个一类，2个二类)
p 介词
pba 介词“把”
pbei 介词“被”
量词(1个一类，2个二类)
q 量词
qv 动量词
qt 时量词
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
处所词(1个一类)
- s 处所词
时间词(1个一类，1个二类)
t 时间词
tg 时间词性语素
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”）
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
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：( [ { <
wky 右括号，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：$
字符串(1个一类，2个二类)
x 字符串
xx 非语素字
xu 网址URL
语气词(1个一类)
- y 语气词(delete yg)
状态词(1个一类)
- z 状态词
