jieba 库

1. jieba 库概念

jieba 是优秀的中文分词第三方库

• 中文文本需要通过分词或得单个的词语
• jieba 是优秀的中文分词第三方库，需要额外安装
• jieba 库提供三种分词模式，最简单只需掌握一个函数

2. jieba 库的安装

命令行
pip install jieba

image.png
image.png

2. jieba 分词的原理

• 利用一个中文词库，确定汉字之间构成词语的关联概率
• 汉字间概率大的组成词组，形成分词结果

3. jieba 分词的三种模式

精确模式、全模式、搜索引擎模式

• 精确模式：把文本精确的企鹅分开，不存在冗余单词
• 全模式：把文本所有可能的词语都扫描出来，有冗余
• 搜索引擎模式：在精确模式基础上，对长词再次切分，有冗余

4. jieba 库常用函数

jieba.lcut(s)  精确模式，返回一个列表类型的分词结果
jieba.lcut(s,cut_all=True)  全模式，返回一个列表类型的分词结果，存在冗余
jieba.lcut_for_search(s)  搜索引擎模式，返回一个列表类型的分词结果，存在冗余
jieba.add_word(w)  向分词词典增加新词w

>>> import jieba
>>> jieba.lcut("中国是一个伟大的国家")
Building prefix dict from the default dictionary ...
Dumping model to file cache C:\Users\旺\AppData\Local\Temp\jieba.cache
Loading model cost 0.740 seconds.
Prefix dict has been built succesfully.
['中国', '是', '一个', '伟大', '的', '国家']
>>> jieba.lcut("中国是一个伟大的国家",cut_all=True)
['中国', '国是', '一个', '伟大', '的', '国家']
>>> jieba.lcut_for_search("中华人民共和国是伟大的")
['中华', '华人', '人民', '共和', '共和国', '中华人民共和国', '是', '伟大', '的']