diff --git a/README.md b/README.md index bd464b3..d6bbda9 100644 --- a/README.md +++ b/README.md @@ -1,7 +1,5 @@ jieba ======== -"结巴"中文分词:做最好的Python中文分词组件jieba -======== "结巴"中文分词:做最好的Python中文分词组件 "Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module. - _Scroll down for English documentation._ @@ -180,90 +178,3 @@ Segmentation speed Online demo ========= http://209.222.69.242:9000/ - - -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 -======== -* 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 -* 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) - -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 - -功能 1):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 -* 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 - - -代码示例( 分词 ) - - #encoding=utf-8 - import jieba - - 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 - - seg_list = jieba.cut("他来到了网易杭研大厦") - print ", ".join(seg_list) - -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 - - 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) - -功能 2) :添加自定义词典 -================ - -* 开发者可以指定自己自定义的词典,以便包含jieba词库里没有的词。虽然jieba有新词识别能力,但是自行添加新词可以保证更高的正确率 -* 用法: jieba.load_userdict(file_name) # file_name为自定义词典的路径 -* 词典格式和dict.txt一样,一个词占一行;每一行分为两部分,一部分为词语,另一部分为词频,用空格隔开 -* 范例: - - 云计算 5 - 李小福 2 - 创新办 3 - - 之前: 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 / - - 加载自定义词库后: 李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 / - - -功能 3) :关键词提取 -================ -* jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse -* setence为待提取的文本 -* topK为返回几个TF/IDF权重最大的关键词,默认值为20 - -代码示例 (关键词提取) - - 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/