2. 主要功能与用法¶

2.1. 分词¶

jieba.cut 方法接受四个输入参数: 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。

代码示例

sys.path.append('.')
sys.path.append('..')
import jieba

strs = ['我来到北京清华大学', '乒乓球拍卖完了', '中国科学技术大学']
for str in strs:
    seg_list = jieba.cut(str)

seg_list = jieba.cut('我来到北京清华大学', cut_all=True)
print('Full Mode: ' + '/ '.join(seg_list))  # 全模式

seg_list = jieba.cut('我来到北京清华大学', cut_all=False)
print('Default Mode: ' + '/ '.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

点击下载完整源文件

输出:

$ python3 ./demos/demo_usage.py
Traceback (most recent call last):
  File "/home/bk/gitee/jieba-py/docs/./demos/demo_usage.py", line 2, in <module>
    import jieba
  File "/home/bk/gitee/jieba-py/docs/../jieba/__init__.py", line 13, in <module>
    from . import finalseg
  File "/home/bk/gitee/jieba-py/docs/../jieba/finalseg.py", line 1, in <module>
    from jieba._data.finalseg_data.prob_emit import P as emit_P
ModuleNotFoundError: No module named 'jieba._data.finalseg_data.prob_emit'

2.2. 添加自定义词典¶

载入词典¶

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。

例如：

创新办 3 i
云计算 5
凱特琳 nz
台中

更改分词器（默认为 jieba.dt）的 tmp_dir 和 cache_file 属性，可分别指定缓存文件所在的文件夹及其文件名，用于受限的文件系统。
范例：
- 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
  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 /

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。

代码示例：

print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
如果/放到/post/中将/出错/。
jieba.suggest_freq(('中', '将'), True)
494
print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
如果/放到/post/中/将/出错/。
print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
「/台/中/」/正确/应该/不会/被/切开
jieba.suggest_freq('台中', True)
69
print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
「/台中/」/正确/应该/不会/被/切开

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

2.3. 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

用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_with_weight.py

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](http://web.eecs.umich.edu/~mihalcea/papers/mihalcea.emnlp04.pdf)

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 ，注意是无向带权图

使用示例:¶

见 [test/demo.py](https://github.com/fxsjy/jieba/blob/master/test/demo.py)

2.4. 词性标注¶

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。
用法示例
用法示例

import jieba.posseg as pseg

words = pseg.cut('我爱北京天安门')  # jieba默认模式
for word, flag in words:
    print(f'{word} {flag}')

点击下载完整源文件

输出:

$ python3 ./demos/demo_pseg.py
Traceback (most recent call last):
  File "/home/bk/gitee/jieba-py/docs/./demos/demo_pseg.py", line 2, in <module>
    import jieba.posseg as pseg
  File "/home/bk/gitee/jieba-py/jieba/__init__.py", line 13, in <module>
    from . import finalseg
  File "/home/bk/gitee/jieba-py/jieba/finalseg.py", line 1, in <module>
    from jieba._data.finalseg_data.prob_emit import P as emit_P
ModuleNotFoundError: No module named 'jieba._data.finalseg_data.prob_emit'

2.5. 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。

2.6. `Tokenize` ：返回词语在原文的起止位置¶

注意，输入参数只接受 unicode

默认模式

# 注意，输入参数只接受 unicode
# 默认模式
import jieba

result = jieba.tokenize('永和服装饰品有限公司')
for tk in result:
    print('word %s\t\t start: %d \t\t end:%d' % (tk[0], tk[1], tk[2]))

点击下载完整源文件

输出:

$ python3 ./demos/demo_tokenize_default.py
Traceback (most recent call last):
  File "/home/bk/gitee/jieba-py/docs/./demos/demo_tokenize_default.py", line 4, in <module>
    import jieba
  File "/home/bk/gitee/jieba-py/jieba/__init__.py", line 13, in <module>
    from . import finalseg
  File "/home/bk/gitee/jieba-py/jieba/finalseg.py", line 1, in <module>
    from jieba._data.finalseg_data.prob_emit import P as emit_P
ModuleNotFoundError: No module named 'jieba._data.finalseg_data.prob_emit'

搜索模式

import jieba

result = jieba.tokenize('永和服装饰品有限公司', mode='search')
for tk in result:
    print('word %s\t\t start: %d \t\t end:%d' % (tk[0], tk[1], tk[2]))

点击下载完整源文件

输出:

$ python3 ./demos/demo_tokenize_search.py
Traceback (most recent call last):
  File "/home/bk/gitee/jieba-py/docs/./demos/demo_tokenize_search.py", line 2, in <module>
    import jieba
  File "/home/bk/gitee/jieba-py/jieba/__init__.py", line 13, in <module>
    from . import finalseg
  File "/home/bk/gitee/jieba-py/jieba/finalseg.py", line 1, in <module>
    from jieba._data.finalseg_data.prob_emit import P as emit_P
ModuleNotFoundError: No module named 'jieba._data.finalseg_data.prob_emit'

2.7. ChineseAnalyzer for Whoosh 搜索引擎¶

从核心代码中移除，放到了 wrapper 中。

引用： from jieba.analyse import ChineseAnalyzer
用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py

2.8. 命令行分词¶

使用示例：python -m jieba news.txt > cut_result.txt

python -m jieba --help 选项输出：

$ python -m jieba --help
Traceback (most recent call last):
  File "<frozen runpy>", line 189, in _run_module_as_main
  File "<frozen runpy>", line 148, in _get_module_details
  File "<frozen runpy>", line 112, in _get_module_details
  File "/home/bk/gitee/jieba-py/jieba/__init__.py", line 13, in <module>
    from . import finalseg
  File "/home/bk/gitee/jieba-py/jieba/finalseg.py", line 1, in <module>
    from jieba._data.finalseg_data.prob_emit import P as emit_P
ModuleNotFoundError: No module named 'jieba._data.finalseg_data.prob_emit'

2.9. 延迟加载机制¶

jieba 采用延迟加载，import jieba 和 jieba.Tokenizer() 不会立即触发词典的加载，一旦有必要才开始加载词典构建前缀字典。如果你想手工初始 jieba ，也可以手动初始化。

在 0.28 之前的版本是不能指定主词典的路径的，有了延迟加载机制后，你可以改变主词典的路径:

import sys

sys.path.append('.')
sys.path.append('..')

import jieba

# 改变主词典的路径:
jieba.set_dictionary('./demos/dict_demo.txt')

# 手动初始化（可选）
jieba.initialize()

输出:

$ python3 ./demos/demo_load.py
Traceback (most recent call last):
  File "/home/bk/gitee/jieba-py/docs/./demos/demo_load.py", line 3, in <module>
    import jieba
  File "/home/bk/gitee/jieba-py/docs/../jieba/__init__.py", line 13, in <module>
    from . import finalseg
  File "/home/bk/gitee/jieba-py/docs/../jieba/finalseg.py", line 1, in <module>
    from jieba._data.finalseg_data.prob_emit import P as emit_P
ModuleNotFoundError: No module named 'jieba._data.finalseg_data.prob_emit'

例子： https://github.com/fxsjy/jieba/blob/master/test/test_change_dictpath.py

2. 主要功能与用法¶

2.1. 分词¶

2.2. 添加自定义词典¶

载入词典¶

调整词典¶

2.3. 关键词提取¶

基于 TF-IDF 算法的关键词抽取¶

基于 TextRank 算法的关键词抽取¶

基本思想:¶

使用示例:¶

2.4. 词性标注¶

2.5. 并行分词¶

2.6. `Tokenize` ：返回词语在原文的起止位置¶

2.7. ChineseAnalyzer for Whoosh 搜索引擎¶

2.8. 命令行分词¶

2.9. 延迟加载机制¶

jieba-py

导航

Related Topics

2. 主要功能与用法¶

2.1. 分词¶

2.2. 添加自定义词典¶

载入词典¶

调整词典¶

2.3. 关键词提取¶

基于 TF-IDF 算法的关键词抽取¶

基于 TextRank 算法的关键词抽取¶

基本思想:¶

使用示例:¶

2.4. 词性标注¶

2.5. 并行分词¶

2.6. Tokenize ：返回词语在原文的起止位置¶

2.7. ChineseAnalyzer for Whoosh 搜索引擎¶

2.8. 命令行分词¶

2.9. 延迟加载机制¶

2.6. `Tokenize` ：返回词语在原文的起止位置¶