python中jieba模块的深入了解

一、前言        

英语单词之间是通过空格分隔的，但是中文却不存在空格的概念，因此需要一个模块来解决中文的分词问题。jieba模块是一个python第三方中文分词模块，可以用于将语句中的中文词语分离出来。

此外，全国计算机等级考试二级python语言程序设计也涉及到该模块的相关知识。因此大家可以好好了解下该模块。

二、模块的安装

 jieba模块作为python的一个第三方模块，是需要我们自行下载安装后才能使用的，我们主要采用pip安装工具进行jieba的安装，具体步骤如下：

在windows操作系统中，快捷键win+R，

然后输入cmd，点击确定，打开

输入：

pip install jieba 

即可安装成功。

三、jieba模块具体讲解

3.1分词模式

jieba模块支持三种分词模式：全模式、精准模式以及搜索引擎模式。

①全模式：全模式可以将句子中所有可能的词语全部提取出来，该模式提取速度快，但可能会出现冗余词汇。

如图，第一行出现了冗余词汇，其采用的就是全模式，而第二行采用精准模式。

②精准模式：精准模式通过优化的智能算法将语句精准的分隔，适用于文本分析。

③搜索引擎模式：搜索引擎模式在精准模式的基础上对词语进行再次划分，提高召回率，适用于搜索引擎分词。 

3.2cut()、lcut()

3.2.1cut(sentence, cut_all=False, HMM=True, use_paddle=False)

参数解析：

  sentence：要分割的str(unicode)。

  cut_all：模型类型。True 表示全模式，False 表示精准模式。其默认为精准模式。

  HMM：是否使用隐马尔可夫模型。

函数功能： 

The main function that segments an entire sentence that contains Chinese characters into separated words.

将包含汉字的整个句子分割成单独的单词的主要功能。

import jieba
sentence = 'python是世界上最好的编程语言'
ls = jieba.cut(sentence, cut_all=False)
print(ls)
# <generator object Tokenizer.cut at 0x000001966B14EA98>

print(type(ls))
# <class 'generator'>

如图，其是迭代器类型，可以用以下三种方式显示结果

①' '.join()

# ①''.join
ls_1 = ' '.join(ls)
print(ls_1)
# python 是 世界 上 最好 的 编程 编程语言 语言

②for循环遍历 

# ②for循环遍历
for i in ls:
   print(i)
'''
python
是
世界
上
最好
的
编程语言
'''

③列表推导式

# ③列表推导式
ls_2 = [i for i in ls]
print(ls_2)
# ['python', '是', '世界', '上', '最好', '的', '编程语言']

3.2.2lcut(sentence,cut_all=False)

def lcut(self, *args, **kwargs):
       return list(self.cut(*args, **kwargs))

查看jieba模块，其定义lcut()函数如上，可以发现lcut()函数最终返回的是list(cut())

import jieba
sentence = 'python是世界上最好的编程语言'
ls = jieba.cut(sentence, cut_all=False)
print(ls)
print(list(ls))
ls1 = jieba.lcut(sentence, cut_all=True)
print(ls1)
ls2 = jieba.lcut(sentence)
print(ls2)

结果如下 ：

注意：cut_all=False是精准模式，也是其默认的类型。

3.3cut_for_search()、lcut_for_search()

cut_for_search(sentence, HMM=True)和lcut_for_search(sentence, HMM=True)和上面所讲的类似。其都是对搜索引擎进行更精细的细分，即采用搜索引擎模式。

import jieba
sentence = 'python是世界上最好的编程语言'
ls3 = jieba.cut_for_search(sentence)
print(ls3)
# <generator object Tokenizer.cut_for_search at 0x00000199C7A3D9A8>
print(list(ls3))
# ['python', '是', '世界', '上', '最好', '的', '编程', '语言', '编程语言']
ls4 = jieba.lcut_for_search(sentence)
print(ls4)
# ['python', '是', '世界', '上', '最好', '的', '编程', '语言', '编程语言']

3.4add_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.

• 函数功能：在字典中添加一个单词。

• 参数解析：freq 和 tag 可以省略，freq 默认是一个计算值，保证单词可以被切掉。

import jieba
sentence = 'python是世界上最好的编程语言'
ls2 = jieba.lcut(sentence)
print(ls2)
ls5 = jieba.add_word('最好的')
ls6 = jieba.lcut(sentence)
print(ls6)

结果如上，最终最好的就没有被切掉。

3.5del_word(word)

函数功能：分词词典中删除词word

import jieba
sentence = 'python是世界上最好的编程语言'
ls2 = jieba.lcut(sentence)
print(ls2)
ls7 = jieba.del_word('世界')
ls8 = jieba.lcut(sentence)
print(ls8)

不过经过笔者更改word，发现word是编程语言时，最后就分割成了编程和语言；当word是编程时，结果没变化；当word是python时，结果也没变化。因此有些需要笔者自己去尝试。

3.6suggest_freq(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.
       """

• 函数功能：建议词频，强制将单词中的字符合并或拆分。

• 参数解析：

•   segment ：该单词预期被切割成的片段，如果该单词应该被视为一个整体，则使用str。

•   tune : 如果为True，则调整词频。

注意：HMM可能会影响最终结果。如果结果不变，设置HMM=False。 

3.7tokenize(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.
       """

• 函数功能：标记一个句子并产生 (word, start, end) 的元组

• 参数解析：

•     unicode_sentence：要分割的 str(unicode)。

•     模式："default" or "search", "search" is for finer segmentation.    &ldquo;默认&rdquo;或&ldquo;搜索&rdquo;，&ldquo;搜索&rdquo;用于更精细的分割。

•     HMM: 是否使用隐马尔可夫模型。 

四、所需代码展示

# -*- coding: utf-8-*-
import jieba
sentence = 'python是世界上最好的编程语言'
ls = jieba.cut(sentence, cut_all=False)
# print(ls)
# print(list(ls))
# # <generator object Tokenizer.cut at 0x0000019F5E44DA98>
# print(type(ls))
# # <class 'generator'>

# # ①''.join
# ls_1 = ' '.join(ls)
# print(ls_1)
# # python 是 世界 上 最好 的 编程语言
# ②for循环遍历
# for i in ls:
#     print(i)
# '''
# python
# 是
# 世界
# 上
# 最好
# 的
# 编程语言
# '''
# # ③列表推导式
# ls_2 = [i for i in ls]
# print(ls_2)
# # ['python', '是', '世界', '上', '最好', '的', '编程语言']
# ls1 = jieba.lcut(sentence, cut_all=True)
# print(ls1)
ls2 = jieba.lcut(sentence)
print(ls2)

# ls3 = jieba.cut_for_search(sentence)
# print(ls3)
# # <generator object Tokenizer.cut_for_search at 0x00000199C7A3D9A8>
# print(list(ls3))
# # ['python', '是', '世界', '上', '最好', '的', '编程', '语言', '编程语言']
# ls4 = jieba.lcut_for_search(sentence)
# print(ls4)
# ['python', '是', '世界', '上', '最好', '的', '编程', '语言', '编程语言']

# ls5 = jieba.load_userdict('文案.txt')
# ls6 = jieba.lcut(sentence)
# print(ls6)
# ls5 = jieba.add_word('最好的')
# ls6 = jieba.lcut(sentence)
# print(ls6)
ls7 = jieba.del_word('世界')
ls8 = jieba.lcut(sentence)
print(ls8)

需要的可以自行复制

五、总结

• ①全国计算机等级考试二级python语言程序设计中涉及到的内容一般只是分词模式、lcut()、lcut_for_search()和add_word()这几方面知识；

• ②笔者所写的不是特别详细，要是之后有好的案例或者其他方式，会进行添加以及完善3.6，3.7的内容；

• ③该模块的理解与使用不是特别难，希望大家自己动手试试，找几个案例，敲敲代码！！

来源：https://blog.csdn.net/knighthood2001/article/details/124724180