一、特点
1、支持三种分词模式：
(1)精确模式：试图将句子最精确的切开，适合文本分析。
(2)全模式：把句子中所有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。
(3)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。
2、支持繁体分词
3、支持自定义词典
二、实现
结巴分词的实现原理主要有一下三点：
(1)基于Trie树结构实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图（DAG)。
(2)采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合。
(3)对于未登录词，采用了基于汉字成词能力的HMM模型，使用了Viterbi算法。
三、应用
我们来演示一下结巴分词的主要功能
1、分词
1 #-*- coding:utf-8 -*- 2 3 4 import jieba 5 6 7 8 ''' 9 cut方法有两个参数 10 1)第一个参数是我们想分词的字符串 11 2)第二个参数cut_all是用来控制是否采用全模式 12 ''' 13 14 #全模式 15 word_list = jieba.cut("今天天气真好。亲爱的，我们去远足吧！",cut_all=True) 16 print "全模式：","|".join(word_list) 17 #精确模式 , 默认就是精确模式 18 word_list = jieba.cut("今天天气真好。亲爱的，我们去远足吧！",cut_all=False) 19 print "精确模式：","|".join(word_list) 20 #搜索引擎模式 21 word_list = jieba.cut_for_search("今天天气真好。亲爱的，我们去远足吧！") 22 print "搜索引擎：","|".join(word_list)
2、添加自定义词典
虽然jieba有新词识别能力，但是自己添加新词可以保证更高的正确率。
开发者可以根据自己的需要添加自定义词典，以便包含jieba词库里没有的词。
例：小红今天我们还去以前经常去的地方远足吗？要不咱们换个地方吧！园小园怎么样?没问题小豆芽
自定义词典（cu.txt）：
园小园 5
小豆芽 3 nr
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），中间用空格隔开。
1 #-*- coding:utf-8 -*- 2 import jieba 3 4 jieba.load_userdict("./cu.txt") 5 word_list = jieba.cut("今天去远足吗？要不咱们换个地方吧！园小园怎么样?没问题小豆芽") 6 print "|".join(word_list)
3、关键词提取
1)第一个参数(setence)为待提取的文本。
2)topK为返回几个TF/IDF权重最大的关键词，默认值为20,可以自己指定。
1 #-*- coding:utf-8 -*- 2 import jieba.analyse as al 3 4 content = open("./topk.txt","rb").read() 5 word_topk = al.extract_tags(content,topK=4) 6 print "|".join(word_topk)
4、词性标注
标注句子分词后每个词的词性，采用和ictclas兼容的标记法。
1 #-*- coding:utf-8 -*- 2 import jieba.posseg as pseg 3 4 words = pseg.cut("青岛北京是不错的地方") 5 for word in words: 6 print word.word,word.flag
运行结果：
青岛 ns
北京 ns
是 v
不错 a
的 uj
地方 n
5、并行分词(只能在linux系统上运行)
将要进行分词的文本按行分隔，把各行文本分配到多个python进程中去，然后归并结果，从而使分词速度提升。
基于python的multiprocessing模块，目前不支持windows系统。
#-*- coding:utf-8 -*- import jieba #开启并行分词模式，参数为参与并行分词的进程数 jieba.enable_parallel(2) #关闭并行分词 #jieba.disable_parallel() content = open("./topk.txt","rb") words = jieba.cut(content) print "|".join(words)
6、模块初始化机制的改变:lazy load （从0.28版本开始）
下载你所需要的词典，然后覆盖jieba/dict.txt或者用jieba.set_dictionary("")将其覆盖。
1 #-*- coding:utf-8 -*- 2 3 import jieba 4 jieba.set_dictionary("./dict.txt") 5 content = open("./content.txt","rb").read() 6 words = jieba.cut(content) 7 print "|".join(words)
7、Tokenize：返回词语在原文的起始位置
1)第一个参数为文本内容。
2）第二个参数mode可以不用默认模式，指定为“search”搜索引擎模式。
1 #-*- coding:utf-8 -*- 2 import jieba 3 4 result = jieba.tokenize(u'今天天气真好。亲爱的，我们去远足吧！') 5 for token in result: 6 print "word %s\t\t start: %d \t\t end:%d" % (token[0],token[1],token[2])
