third_codes/jieba
1
0
Fork 0
mirror of https://github.com/fxsjy/jieba.git synced 2025-07-10 00:01:33 +08:00
Code Issues Packages Projects Releases Wiki Activity

version chage

Browse Source
This commit is contained in:
Sun Junyi 2012-10-16 14:16:28 +08:00
parent 15a5a2d50e
commit 48e9d62082
2 changed files with 74 additions and 63 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

135
README.md
View File

@ -1,62 +1,73 @@
jieba jieba
======== ========
"结巴"中文分词：做最好的Python中文分词组件 "结巴"中文分词：做最好的Python中文分词组件
Feature Feature
======== ========
* 支持两种分词模式： * 支持两种分词模式：
* 1）默认模式，试图将句子最精确地切开，适合文本分析； * 1）默认模式，试图将句子最精确地切开，适合文本分析；
* 2）全模式，把句子中所有的可以成词的词语都扫描出来，适合搜索引擎。 * 2）全模式，把句子中所有的可以成词的词语都扫描出来，适合搜索引擎。
Usage Usage
======== ========
* 全自动安装：easy_install jieba 或者 pip install jieba * 全自动安装：easy_install jieba 或者 pip install jieba
* 半自动安装：先下载http://pypi.python.org/pypi/jieba/ ，解压后运行python setup.py install * 半自动安装：先下载http://pypi.python.org/pypi/jieba/ ，解压后运行python setup.py install
* 手动安装：将jieba目录放置于当前目录或者site-packages目录 * 手动安装：将jieba目录放置于当前目录或者site-packages目录
* 通过import jieba 来引用 （第一次import时需要构建Trie树，需要几秒时间） * 通过import jieba 来引用 （第一次import时需要构建Trie树，需要几秒时间）
Algorithm Algorithm
======== ========
* 基于Trie树结构实现高效的词图扫描，生成句子中汉字构成的有向无环图（DAG) * 基于Trie树结构实现高效的词图扫描，生成句子中汉字构成的有向无环图（DAG)
* 采用了记忆化搜索实现最大概率路径的计算, 找出基于词频的最大切分组合 * 采用了记忆化搜索实现最大概率路径的计算, 找出基于词频的最大切分组合
* 对于未登录词，采用了基于汉字位置概率的模型，使用了Viterbi算法 * 对于未登录词，采用了基于汉字位置概率的模型，使用了Viterbi算法
Interface 功能：分词
======== ==========
* 组件只提供jieba.cut 方法用于分词 * jieba.cut方法接受两个输入参数: 1) 第一个参数为需要分词的字符串 2）cut_all参数用来控制分词模式
* cut方法接受两个输入参数: 1) 第一个参数为需要分词的字符串 2）cut_all参数用来控制分词模式 * 待分词的字符串可以是gbk字符串、utf-8字符串或者unicode
* 待分词的字符串可以是gbk字符串、utf-8字符串或者unicode * jieba.cut返回的结构是一个可迭代的generator，可以使用for循环来获得分词后得到的每一个词语(unicode)，也可以用list(jieba.cut(...))转化为list
* jieba.cut返回的结构是一个可迭代的generator，可以使用for循环来获得分词后得到的每一个词语(unicode)，也可以用list(jieba.cut(...))转化为list
代码示例( 分词 )
代码示例( Tutorial )
#encoding=utf-8
#encoding=utf-8 import jieba
import jieba
seg_list = jieba.cut("我来到北京清华大学",cut_all=True)
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
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)
seg_list = jieba.cut("我来到北京清华大学",cut_all=False) print "Default Mode:", "/ ".join(seg_list) #默认模式
print "Default Mode:", "/ ".join(seg_list) #默认模式
seg_list = jieba.cut("他来到了网易杭研大厦")
seg_list = jieba.cut("他来到了网易杭研大厦") print ", ".join(seg_list)
print ", ".join(seg_list)
Output:
Output:
Full Mode: 我/ 来/ 来到/ 到/ 北/ 北京/ 京/ 清/ 清华/ 清华大学/ 华/ 华大/ 大/ 大学/ 学
Full Mode: 我/ 来/ 来到/ 到/ 北/ 北京/ 京/ 清/ 清华/ 清华大学/ 华/ 华大/ 大/ 大学/ 学
Default Mode: 我/ 来到/ 北京/ 清华大学
Default Mode: 我/ 来到/ 北京/ 清华大学
他, 来到, 了, 网易, 杭研, 大厦 (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)
他, 来到, 了, 网易, 杭研, 大厦 (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)
Performance 功能：关键词提取
========= ================
* 1.5 MB / Second in Full Mode * jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse
* 350 KB / Second in Default Mode * setence为待提取的文本
* Test Env: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《围城》.txt * topK为返回几个权重最大的关键词，默认值为20
在线演示 代码示例 （关键词提取）
=========
http://209.222.69.242:9000/ https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py
分词速度
=========
* 1.5 MB / Second in Full Mode
* 400 KB / Second in Default Mode
* Test Env: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《围城》.txt
在线演示
=========
http://209.222.69.242:9000/

2
setup.py
View File

@ -1,6 +1,6 @@
from distutils.core import setup from distutils.core import setup
setup(name='jieba', setup(name='jieba',
version='0.17', version='0.18',
description='Chinese Words Segementation Utilities', description='Chinese Words Segementation Utilities',
author='Sun, Junyi', author='Sun, Junyi',
author_email='ccnusjy@gmail.com', author_email='ccnusjy@gmail.com',