分词词性标注之jieba

jieba是中国人的做的python分词器。

jieba的安装

• windows环境下

pip install jieba

• Linux环境下
  待补充

jieba的三种分词模式

• 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，对长词再进行划分，提高召回率，适合用于搜索引擎分词

import jieba
str = '诸葛夏天的子子孙孙都居住在这个小村子里。'
print('精确模式(默认)：', ' '.join(jieba.cut(str)))
print('全模式：', ' '.join(jieba.cut(str, cut_all=True)))
print('搜索引擎模式：', ' '.join(jieba.cut_for_search(str)))

分词结果

jieba的词性

先上词性表

词性	表示符号
形容词	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
区别词	b 区别词 bl 区别词性惯用语
连词	c 连词 cc 并列连词
副词	d 副词
叹词	e 叹词
方位词	f 方位词
前缀	h 前缀
后缀	k 后缀
数词	m 数词 mq 数量词
名词	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
拟声词	o 拟声词
介词	p 介词 pba 介词“把” pbei 介词“被”
量词	q 量词 qv 动量词 qt 时量词
代词	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
处所词	s 处所词
时间词	t 时间词 tg 时间词性语素
助词	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”）
动词	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
标点符号	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：$
字符串	x 字符串 xx 非语素字 xu 网址URL
语气词	y 语气词(delete yg)
状态词	z 状态词

获取词性

import jieba.posseg as psg
for x in psg.cut(str):
    print(x.word, x.flag)

获取词性结果

jieba的用户自定义字典

自定义字典只是将某些不确定的“可选的”词分在一起，但是并不能随心所欲地将某些词强制作为整体切开。
自行定义一个txt词典文件，按照一行“词名 词频 词性”格式。

# 新建一个dict.txt词典文件，里面添加“诸葛夏天”
jieba.load_userdict('dict.txt')
print('导入用户词典后的分词 ', ' '.join(jieba.cut(str)))

基于词典的分词