mirror of
https://github.com/fxsjy/jieba.git
synced 2025-07-10 00:01:33 +08:00
version chage
This commit is contained in:
parent
15a5a2d50e
commit
48e9d62082
135
README.md
135
README.md
@ -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
2
setup.py
@ -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',
|
||||||
|
Loading…
x
Reference in New Issue
Block a user