From 8031f49b0d6b68af2ad5d04e1bf903d3e74eece2 Mon Sep 17 00:00:00 2001 From: fxsjy Date: Mon, 1 Oct 2012 15:42:04 +0800 Subject: [PATCH] update doc --- README.md | 33 +++++++++++++++++++++++++-------- 1 file changed, 25 insertions(+), 8 deletions(-) diff --git a/README.md b/README.md index 2df4162..37c84b7 100644 --- a/README.md +++ b/README.md @@ -1,11 +1,24 @@ jieba ======== -结巴中文分词:像结巴说话一样把所有词都分出来 +"结巴"中文分词:做最好的Python中文分词组件 + +Feature +======== +* 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; +** 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 ======== * 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) +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) +* 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 代码示例 @@ -13,17 +26,21 @@ Usage #encoding=utf-8 import jieba - seg_list = jieba.cut("我爱北京天安门") - print "/ ".join(seg_list) + 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 + + 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 Output: - * 我/ 爱/ 北/ 北京/ 天/ 天安/ 天安门/ 门 + + 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 Performance ========= -* 1.5 MB / Second +* 1.5 MB / Second in Full Mode +* 200 KB / Second in Default Mode * Test Env: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz;《围城》.txt -Example -========= -* 在线分词效果展示 https://jiebademo.appspot.com/ (需要翻墙)