python的jieba分词词性标注

jieba分词的词性标注

在明哥的严厉催促下，我终于注册了我自己的博客，并且这是我写的第一篇博客，写得不好还请大家多多指出，以帮助小弟在编程之路上走得更远。

好了，废话就不多说了，直接进入主题吧。

号称“做最好的Python中文分词组件”的jieba分词是python语言的一个中文分词包。它的特点有：

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。

支持繁体分词

支持自定义词典

Python 2.x 下的安装

全自动安装：easy_install jieba或者pip install jieba

半自动安装：先下载/pypi/jieba/，解压后运行python setup.py install

手动安装：将jieba目录放置于当前目录或者site-packages目录

通过import jieba 来引用（第一次import时需要构建Trie树，需要几秒时间）

Python 3.x 下的安装

目前master分支是只支持Python2.x 的

Python3.x 版本的分支也已经基本可用：

/fxsjy/jieba/tree/jieba3k

git clone /fxsjy/jieba.gitgit checkout jieba3kpython setup.py install<h1 style="font-family: Helvetica, arial, freesans, clean, sans-serif; font-size: 28px;"><a target=_blank name="-1" href="/fxsjy/jieba/blob/master/README.md#-1"></a>功能 1)：分词</h1><ul class=" list-paddingleft-2" style="color: rgb(51, 51, 51); font-family: Helvetica, arial, freesans, clean, sans-serif; font-size: 14px;"><li>jieba.cut方法接受两个输入参数: 1) 第一个参数为需要分词的字符串 2）cut_all参数用来控制是否采用全模式 </li><li>jieba.cut_for_search方法接受一个参数：需要分词的字符串,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 </li><li> 注意：待分词的字符串可以是gbk字符串、utf-8字符串或者unicode </li><li> 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)，也可以用list(jieba.cut(...))转化为list </li></ul>代码示例( 分词 )<pre>#encoding=utf-8importjiebaseg_list=jieba.cut("我来到北京清华大学",cut_all=True)print"FullMode:","/".join(seg_list)#全模式seg_list=jieba.cut("我来到北京清华大学",cut_all=False)print"DefaultMode:","/".join(seg_list)#精确模式seg_list=jieba.cut("他来到了网易杭研大厦")#默认是精确模式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)

Output:

【全模式】:我/来到/北京/清华/清华大学/华大/大学【精确模式】:我/来到/北京/清华大学【新词识别】：他,来到,了,网易,杭研,大厦(此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)【搜索引擎模式】：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

功能 2) ：添加自定义词典

开发者可以指定自己自定义的词典，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

用法： jieba.load_userdict(file_name) # file_name为自定义词典的路径

词典格式和dict.txt一样，一个词占一行；每一行分三部分，一部分为词语，另一部分为词频，最后为词性（可省略），用空格隔开

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：/fxsjy/jieba/blob/master/test/userdict.txt

用法示例：/fxsjy/jieba/blob/master/test/test_userdict.py

"通过用户自定义词典来增强歧义纠错能力" ---/fxsjy/jieba/issues/14

功能 3) ：关键词提取

jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse

setence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

代码示例（关键词提取）

/fxsjy/jieba/blob/master/test/extract_tags.py

功能 4) : 词性标注（这是重点）

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

>>>importjieba.possegaspseg>>>words=pseg.cut("我爱北京天安门")>>>forwinwords:...printw.word,w.flag...我r爱v北京ns天安门ns

功能 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：/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。

功能 6) : Tokenize：返回词语在原文的起始位置

注意，输入参数只接受unicode

默认模式

result=jieba.tokenize(u'永和服装饰品有限公司')

fortkinresult:

print"word%s\t\tstart:%d\t\tend:%d"%(tk[0],tk[1],tk[2])

word永和start:0end:2word服装start:2end:4word饰品start:4end:6word有限公司start:6end:10

搜索模式

result=jieba.tokenize(u'永和服装饰品有限公司',mode='search')

fortkinresult:

print"word%s\t\tstart:%d\t\tend:%d"%(tk[0],tk[1],tk[2])

word永和start:0end:2word服装start:2end:4word饰品start:4end:6word有限start:6end:8word公司start:8end:10word有限公司start:6end:10

功能 7) : ChineseAnalyzer for Whoosh搜索引擎

引用：from jieba.analyse import ChineseAnalyzer

用法示例：/fxsjy/jieba/blob/master/test/test_whoosh.py

另附词性标注表如下：

1. 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

2. 时间词(1个一类，1个二类)

t 时间词

tg 时间词性语素

3. 处所词(1个一类)

s 处所词

4. 方位词(1个一类)

f 方位词

5. 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

6. 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

7. 区别词(1个一类，2个二类)

b 区别词

bl 区别词性惯用语

8. 状态词(1个一类)

z 状态词

9. 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

10. 数词(1个一类，1个二类)

m 数词

mq 数量词

11. 量词(1个一类，2个二类)

q 量词

qv 动量词

qt 时量词

12. 副词(1个一类)

d 副词

13. 介词(1个一类，2个二类)

p 介词

pba 介词“把”

pbei 介词“被”

14. 连词(1个一类，1个二类)

c 连词

cc 并列连词

15. 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”）

16. 叹词(1个一类)

e 叹词

17. 语气词(1个一类)

y 语气词(delete yg)

18. 拟声词(1个一类)

o 拟声词

19. 前缀(1个一类)

h 前缀

20. 后缀(1个一类)

k 后缀

21. 字符串(1个一类，2个二类)

x 字符串

xx 非语素字

xu 网址URL

22. 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：$

由于是第一次写博客，很多还不知道怎么用，就只能写成这样了，还请大家多多包涵。