jieba 是一款号称最好用的Python中文分词组件,分词效果非常棒。支持三种分词模式,代码对 Python 2/3 均兼容,可以用于某些项目的数据预处理。
官方GitHub
https://github.com/fxsjy/jieba
安装
- 全自动安装: easy_install jieba 或者 pip install jieba / pip3 install jieba
- 半自动安装:先下载 https://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
三种分词模式
- 精确模式,试图将句子最精确地切开,适合文本分析;
- 全模式,把句子中所有的可以成词的词语都扫描出来, 速度非常快,但是不能解决歧义;
- 搜索引擎模式,在精确模式的基础上,对长词再次切分,提高召回率,适合用于搜索引擎分词。
示例程序:
# encoding=utf-8
import jieba
# 全模式
seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list))
# 精确模式,也是默认模式即cut_all=False
seg_list = jieba.cut("他来到了网易杭研大厦")
pr