NLP自然语言处理 之 jieba中文处理

教程参考来源视频：https://www.bilibili.com/video/av21452290/?p=1

jieba中文处理

与拉丁语系不同，亚洲语言不是以空格分隔词的。因此需要专门的工具将完整的文本分解成粒度更细的词。
jieba就是一个十分好用的中文工具。它以分词起家，但功能比分词强大很多。

1.基本分词函数与用法

jieba.cut及jieba.cut_for_search 返回的结构都是一个可迭代的generator,可以使用for循环来获得分词后得到的每一个词语（unicode)
jieba.cut方法接受三个输入参数：

• 需要分词的字符串
• cut_all 参数用了控制是否采用全模式
• HMM 参数用来控制是否使用HMM模型

jieba.cut_for_search方法接受两个参数

• 需要分词的字符串
• 是否使用HMM模型
  该方法适合用于搜索引擎构建倒序索引的分词，粒度比较细

#encoding=utf-8
import jieba

seg_list=jieba.cut("我在学习自然语言处理",cut_all=True)
print(seg_list)
print("Full Mode: "+"/".join(seg_list)) #全模式

seg_list=jieba.cut("我在学习自然语言处理",cut_all=False)
print("Default Mode: "+"/".join(seg_list)) #精确模式

seq_list=jieba.cut("他毕业于上海交通大学，在百度深度学习研究院进行研究") #默认是精确模式
print(",".join(seq_list))

seg_list=jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")  #搜索引擎模式
print(", ".join(seg_list))

Building prefix dict from the default dictionary ...
Loading model from cache /var/folders/b3/hjtxm6356wx19tq8jhyw52400000gn/T/jieba.cache


<generator object Tokenizer.cut at 0x102bcfd00>


Loading model cost 0.703 seconds.
Prefix dict has been built succesfully.


Full Mode: 我/在/学习/自然/自然语言/语言/处理
Default Mode: 我/在/学习/自然语言/处理
他,毕业,于,上海交通大学,，,在,百度,深度,学习,研究院,进行,研究
小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, ，, 后, 在, 哈佛, 大学, 哈佛大学, 深造

jieba.lcut及jieba.lcut_for_search直接返回list

result_lcut=jieba.lcut("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")
print(result_lcut)
print(" ".join(result_lcut))
print(" ".join(jieba.lcut_for_search("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")))

['小明', '硕士', '毕业', '于', '中国科学院', '计算所', '，', '后', '在', '哈佛大学', '深造']
小明 硕士 毕业 于 中国科学院 计算所 ， 后 在 哈佛大学 深造
小明 硕士 毕业 于 中国 科学 学院 科学院 中国科学院 计算 计算所 ， 后 在 哈佛 大学 哈佛大学 深造

添加用户自定义词典

很多时候我们需要针对自己的场景进行分词，会有一些领域内的专有词汇

• 1.可以使用jieba.load_userdict(file_name)加载用户字典

• 2.少量的词汇可以自己用下面方法手动添加：

  用add_word(word,freq=None,tag=None)和del_word(word)在程序中动态修改词典

  用suggest_freq(segment,tune=True)可调节单个词语的词频，使其能（或不能）被分出来。

print('/'.join(jieba.cut('如果放到旧字典中将出错。',HMM=False)))

如果/放到/旧/字典/中将/出错/。

jieba.suggest_freq(('中','将'),True)

494

print('/'.join(jieba.cut('如果放到旧字典中将出错。',HMM=False)))

如果/放到/旧/字典/中/将/出错/。

关键词提取

基于TF-IDF 算法的关键词抽取

import jieba.analyse

• jieba.analyse.extract_tags(sentence,topK=20,withWeight=False,allowPOS=())
• sentence 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
• withWeight为是否一并返回关键词权重值，默认值为False
• allowPOS 仅包括指定词性的词，默认值为空，即不筛选

import jieba.analyse
lines=open('code/NLK/NAB.txt').read()
print("  ".join(jieba.analyse.extract_tags(lines,topK=20,withWeight=False,allowPOS=())))

怀特  德隆  篮板  赛季  独行侠  三双  猛龙队  拿到  比赛  对阵  球队  球员  自己  四场  卡莱尔  总冠军  达拉斯  之后  他们  几场

lines=open(u'code/NLK/西游记.txt').read()
print(" ".join(jieba.analyse.extract_tags(lines,topK=20,withWeight=False,allowPOS=())))

行者 八戒 师父 三藏 大圣 唐僧 沙僧 菩萨 妖精 和尚 那怪 甚么 那里 长老 呆子 怎么 徒弟 不知 老孙 悟空

关于TF-IDF算法的关键词抽取补充

• 关键词提取所使用逆文件频率（IDF）文本语料库可以切换为自定义语料库的路径。
• 用法：jieba.analyse.set_idf_path(file_name) #file_name为自定义语料库的路径
• 关键词提取所使用停止词（Stop Words）文本语料库也可以切换成自定义语料库的路径
• 用法：jieba.analyse.set_stop_words(file_name) #file_name为自定义语料库的路径

基于TextRank算法的关键词抽取

• jieba.analyse.textrank(sentence,topK=20,withWeight=False,allowPOS=(‘ns’,‘n’,‘vn’,‘v’))
  直接使用，接口相同，注意默认过滤词性
• jieba.analyse.TextRank()新建自定义TextRank 实例

算法基本思想：

• 将带抽取关键词的文本进行分词
• 以固定窗口大学（默认为5，通过span属性调整），词之间的共现关系，构建图
• 计算图中节点的PageRank，注意是无向带权图

import jieba.analyse 
lines=open('code/NLK/NAB.txt').read()
print("  ".join(jieba.analyse.textrank(lines,topK=20,withWeight=False,allowPOS=('ns','n','vn','v'))))
print("*"*30)
print("  ".join(jieba.analyse.textrank(lines,topK=20,withWeight=False,allowPOS=('ns','n'))))

可能  德隆  比赛  得到  篮板  成为  证明  猛龙队  总冠军  拿到  留意  时间  球员  变得  接受  戒指  不让  有点  交易  挣扎
******************************
总冠军  猛龙队  证明  时间  球队  球员  方式  私信  社交  戒指  篮板  先签  前场  媒体  球迷  冠军  东西  交易  对阵  感觉

import jieba.analyse
lines=open('code/NLK/西游记.txt').read()
print("  ".join(jieba.analyse.textrank(lines,topK=20,withWeight=False,allowPOS=('ns','n','vn','v'))))

行者  师父  八戒  三藏  大圣  菩萨  不知  只见  妖精  长老  国王  呆子  徒弟  悟空  小妖  不见  不能  不得  出来  师徒

词性标注

• jieba.posseg.POSTokenizer(tokenizer=None)新建自定义分词器，tokenizer参数可指定内部使用的jieba.Tokenizer分词器。jieba.posseg.dt为默认词性标注分词器
• 标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法
• 具体的词性对照表参见 计算所汉语词性标记集

import jieba.posseg as pseg
words=pseg.cut("我爱自然语言处理")
for word,flag in words:
    print('%s  %s' % (word,flag))

我  r
爱  v
自然语言  l
处理  v

并行分词

原理：将目标文本按行分隔后，把各行文本分配到多个Python进程并行分词，然后归并结果，从而获得分词速度的客观提升 基于python 自带的 multiprocessing 模块，目前暂不支持windows
用法：
jieba.enable_parallel(4) #开启并行分词模式，参数为并行进程数
jieba.disable_parallel() #关闭并行分词模式
试验结果：在4核3.4GHZ linux机器上，对金庸全集进行精确分词，获得了1MB/s的速度，是单进程的3.3倍，但在本人mac实测 1.7倍左右
注意：并行分词仅支持默认分词器jieba.dt和jieba.posseg.dt.

import sys
import time
import jieba

jieba.enable_parallel()
content=open(u'code/NLK/西游记.txt',"r").read()
t1=time.time()
words=" / ".join(jieba.cut(content))
t2=time.time()
tm_cost=t2-t1
print("并行分词数速度为 %s bytes/second" % (len(content)/tm_cost))

jieba.disable_parallel()
content=open(u'code/NLK/西游记.txt',"r").read()
t1=time.time()
words=" / ".join(jieba.cut(content))
t2=time.time()
tm_cost=t2-t1
print("非并行分词数速度为 %s bytes/second" % (len(content)/tm_cost))

并行分词数速度为 170905.68346768283 bytes/second
非并行分词数速度为 102924.44450978209 bytes/second

Tokenize:返回词在原文的起止位置

注意，输入参数只接受unicode

print("这是默认模式的tokenize")
result=jieba.tokenize(u'自然语言处理非常有用')
for tk in result:
    print("%s \t\t start:%d\t\t end:%d" %(tk[0],tk[1],tk[2]))
print('*'*30)
print("这是搜索模式的tokenize")
result=jieba.tokenize(u'自然语言处理非常有用',mode='search')
for tk in result:
    print("%s \t\t start:%d\t\t end:%d" %(tk[0],tk[1],tk[2]))

这是默认模式的tokenize
自然语言 		 start:0		 end:4
处理 		 start:4		 end:6
非常 		 start:6		 end:8
有用 		 start:8		 end:10
******************************
这是搜索模式的tokenize
自然 		 start:0		 end:2
语言 		 start:2		 end:4
自然语言 		 start:0		 end:4
处理 		 start:4		 end:6
非常 		 start:6		 end:8
有用 		 start:8		 end:10

ChineseAnalyzer for Whoosh 搜索引擎

• from jieba.analyse import ChineseAnalyzer

# -*- coding: UTF-8 -*-
from __future__ import unicode_literals
import sys, os

sys.path.append("../")
from whoosh.index import create_in, open_dir
from whoosh.fields import *
from whoosh.qparser import QueryParser
from jieba.analyse import ChineseAnalyzer
analyzer = ChineseAnalyzer()
schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT(stored=True, analyzer=analyzer))

if not os.path.exists("tmp"):
    os.mkdir("tmp")

ix = create_in("tmp", schema)  # for create new index
# ix = open_dir("tmp") # for read only
writer = ix.writer()

writer.add_document(
    title="document1",
    path="/a",
    content="This is the first document we’ve added!"
)

writer.add_document(
    title="document2",
    path="/b",
    content="The second one 你 中文测试中文 is even more interesting! 吃水果"
)

writer.add_document(
    title="document3",
    path="/c",
    content="买水果然后来世博园。"
)

writer.add_document(
    title="document4",
    path="/c",
    content="工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作"
)

writer.add_document(
    title="document4",
    path="/c",
    content="咱俩交换一下吧。"
)

writer.commit()
searcher = ix.searcher()
parser = QueryParser("content", schema=ix.schema)

for keyword in ("水果世博园", "你", "first", "中文", "交换机", "交换"):
    print(keyword + "的结果为如下：")
    q = parser.parse(keyword)
    results = searcher.search(q)
    for hit in results:
        print(hit.highlights("content"))
    print("\n--------------我是神奇的分割线--------------\n")

for t in analyzer("我的好朋友是李明;我爱北京*;IBM和Microsoft; I have a dream. this is intetesting and interested me a lot"):
    print(t.text)

水果世博园的结果为如下：
买<b class="match term0">水果</b>然后来<b class="match term1">世博园</b>

--------------我是神奇的分割线--------------

你的结果为如下：
second one <b class="match term0">你</b> 中文测试中文 is even more interesting

--------------我是神奇的分割线--------------

first的结果为如下：
<b class="match term0">first</b> document we’ve added

--------------我是神奇的分割线--------------

中文的结果为如下：
second one 你 <b class="match term0">中文</b>测试<b class="match term0">中文</b> is even more interesting

--------------我是神奇的分割线--------------

交换机的结果为如下：
干事每月经过下属科室都要亲口交代24口<b class="match term0">交换机</b>等技术性器件的安装工作

--------------我是神奇的分割线--------------

交换的结果为如下：
咱俩<b class="match term0">交换</b>一下吧
干事每月经过下属科室都要亲口交代24口<b class="match term0">交换</b>机等技术性器件的安装工作

--------------我是神奇的分割线--------------

我
好
朋友
是
李明
我
爱
北京
天安
*
ibm
microsoft
dream
intetest
interest
me
lot

命令行分词

• 使用示例：python -m jieba news.txt > cut_result.txt

• 命令行选项（翻译）：

使用: python -m jieba [options] filename

结巴命令行界面。

固定参数:
filename 输入文件

可选参数:

• -h, --help 显示此帮助信息并退出
• -d [DELIM], --delimiter [DELIM]
  使用 DELIM 分隔词语，而不是用默认的’ / '。
  若不指定 DELIM，则使用一个空格分隔。
• -p [DELIM], --pos [DELIM]
  启用词性标注；如果指定 DELIM，词语和词性之间
  用它分隔，否则用 _ 分隔
• -D DICT, --dict DICT 使用 DICT 代替默认词典
• -u USER_DICT, --user-dict USER_DICT
  使用 USER_DICT 作为附加词典，与默认词典或自定义词典配合使用
• -a, --cut-all 全模式分词（不支持词性标注）
• -n, --no-hmm 不使用隐含马尔可夫模型
• -q, --quiet 不输出载入信息到 STDERR
• -V, --version 显示版本信息并退出

如果没有指定文件名，则使用标准输入。

• –help 选项输出：

$> python -m jieba --help
Jieba command line interface.

positional arguments:
filename input file

optional arguments:

• -h, --help show this help message and exit
• -d [DELIM], --delimiter [DELIM]
  use DELIM instead of ’ / ’ for word delimiter; or a
  space if it is used without DELIM
• -p [DELIM], --pos [DELIM]
  enable POS tagging; if DELIM is specified, use DELIM
  instead of ‘_’ for POS delimiter
• -D DICT, --dict DICT use DICT as dictionary
• -u USER_DICT, --user-dict USER_DICT
  use USER_DICT together with the default dictionary or
  DICT (if specified)
• -a, --cut-all full pattern cutting (ignored with POS tagging)
• -n, --no-hmm don’t use the Hidden Markov Model
• -q, --quiet don’t print loading messages to stderr
• -V, --version show program’s version number and exit

If no filename specified, use STDIN instead.

小结

jieba分词可以满足大部分的中文分词和词性标注场景，可自己准备领域词典，提高分词准确性。
另，可搜索中科院提供的分词包，关注最新进展。