解决jieba分词 load_userdict 加载自定义词库太慢的问题

@(Python)

1. 技术背景

 import jieba	
 jieba.load_userdict("100MB.txt")

问题来源 相信大家对上面2句话很熟悉,jieba分词加载自定义词库,但是每次加载自定义词库都会花费大量的时间 100MB的自定义词库大概加载了10多分钟,严重影响了服务上线和调试 ,本篇文章主要解决上述问题，并提供一种快速的加载、启动方案

2. 结巴分词加载自身词库方法介绍

Building prefix dict from the default dictionary ...
Loading model from cache
C:\Users\90541\AppData\Local\Temp\jieba.cache
Loading model cost 0.773 seconds.

• 首先来看看jieba分词每次启动时，做了件什么事情，它做了2件事情：
  1. 加载结巴自身的默认词库
  2. 将默认词库模型 加载到本机缓存，之后每次都从本地缓存中去加载默认词库 缓存文件： jieba.cache

其实看到这里,目标很明确了. 修改结巴的默认词库，将我们的自定义词库提前导入进去，然后加载到缓存就行了 结巴默认词库位置: {basepath}\Lib\site-packages\jieba\dict.txt

3. 修改jieba默认词库

• 打开一下dict.txt 文件看一下是什么东西
  

jieba 默认有349046个词,然后每行的含义是 词 词频 词性,如果你新加的词汇不知道该怎么设置的话，可以写成 词 3 n

def run():
    # 将自定义词库中的词 按规范写入到 dict.txt 中

4. 清除 jieba.cache缓存,重启jieba

修改完 dict.txt文件还没结束哦，需要删除jieba的本地缓存文件jieba.cache ,然后删除缓存，重启jieba程序。

5.效果展示

**让我们来看一下这波操作的可行性 **

5.1 没修改词库前

In [1]:

import jieba
[ word for word in jieba.cut("我想知道区块链是什么") ]

Out[1]:

['我', '想', '知道', '区块', '链是', '什么']

5.2 修改词库后

加入了 “区块链 3 n”

6. 结论

修改完jieba默认词库,就不需要再使用 jieba.load_userdict 方法去加载自定义词库了。省去了大笔自定义词库加载的时间成本。

• 最终增加了**660万+**的词条
• 加载时间缩减到30秒

---

如果文章帮助了你,请点赞哦~ 有其它jieba相关的问题,也可以咨询本人 微信:w63594021