jieba分词之二、cut

最新推荐文章于 2025-06-03 21:49:21 发布

WeiHaixin931

最新推荐文章于 2025-06-03 21:49:21 发布

阅读量4.3k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： jieba分词文章标签： python jieba分词

本文链接：https://blog.youkuaiyun.com/u013668392/article/details/22867775

本文详细解析了jieba分词库中的cut函数，包括内部的DAG构造、频度打分、动态规划及未登录词处理。通过get_DAG、calc和__cut_DAG函数的介绍，阐述了jieba如何进行高效准确的中文分词。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

jieba.posseg.cut(sentence)是initialize操作之后分词程序的入口

__cut_internal(sentence)函数内部定义了四个正则表达式
re_han = re.compile(ur"([\u4E00-\u9FA5a-zA-Z0-9+#&\._]+)")
re_skip = re.compile(ur"(\r\n|\s)")
re_eng = re.compile(ur"[a-zA-Z0-9]+")
re_num = re.compile(ur"[\.0-9]+")
函数内部语句blocks = re_han.split(sentence)把整个句子多个部分blk，若blk满足re_han模式，说明是有汉字的字符串，然后调用__cut_DAG(blk)，构建字符串DAG和route

1、get_DAG(sentence)函数

DAG是有向无环图，结巴分词中的DAG的数据结构是dict，元素的key是int，value是int列表

下面部分内容引用自http://www.xuebuyuan.com/1547637.html

举一个例子，比如sentence 是 "国庆节我在研究结巴分词"，对应生成的DAG是这样的：
{0: [0, 1, 2], 1: [1], 2: [2], 3: [3], 4: [4], 5: [5, 6], 6: [6], 7: [7, 8], 8: [8], 9: [9, 10], 10: [10]}
其中的数字表示每个汉字在sentence中的位置，所以0：[0,1,2] 表示在trie 树中，"国"开头的词语中对