02-NLP-01-jieba中文处理

jieba中文处理

和拉丁语系不同，亚洲语言是不用空格分开每个有意义的词的。而当我们进行自然语言处理的时候，大部分情况下，词汇是我们对句子和文章理解的基础，因此需要一个工具去把完整的文本中分解成粒度更细的词。这才是主要需要处理的是基于中文的。jieba可以实现粗细两种粒度的分词处理。一般选择的是粗粒度，不会选择像搜索引擎一样的细粒度的方法。

jieba就是这样一个非常好用的中文工具，是以分词起家的，但是功能比分词要强大很多。

jieba可以用在工程中处理一般的任务（有时可以加一点自己的词库）。还有一个收费的效果较好的库/包：汉语分词系统（ICTCLAS 2016）

1.基本分词函数与用法

jieba.cut 以及 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 参数用来控制是否采用全模式
HMM 参数用来控制是否使用 HMM 模型（HMM隐式马尔科夫模型）

jieba.cut_for_search 方法接受两个参数，切分整句话。

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排索引的分词，粒度比较细

In [1]:

# 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：会将有意义的词都取出来（划分结果会有重复）

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：找最合适的方式将原话切分开。（可以自己添加词包或者给出建议）切分结果不会有重复的字段

seg_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(seg_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：所有有意义的词可能都会被提取出来
print(", ".join(seg_list))

Building prefix dict from the default dictionary ...
Loading model from cache /var/folders/pn/xp31896922n9rqxgftrqk3l00000gn/T/jieba.cache
Loading model cost 0.496 seconds.

<generator object cut at 0x10bbd91e0>

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以及jieba.lcut_for_search直接返回 list

In [2]:

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"))

[u\'\u5c0f\u660e\', u\'\u7855\u58eb\', u\'\u6bd5\u4e1a\', u\'\u4e8e\', u\'\u4e2d\u56fd\u79d1\u5b66\u9662\', u\'\u8ba1\u7b97\u6240\', u\'\uff0c\', u\'\u540e\', u\'\u5728\', u\'\u54c8\u4f5b\u5927\u5b66\', u\'\u6df1\u9020\']
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。

In [3]:

print(\'/\'.join(jieba.cut(\'如果放到旧字典中将出错。\', HMM=False)))   #动态设置的时候一定要将HMM设定为False。因为用隐马的方式可能会忽略掉给出的专属名词的信息

输出结果：（明显“中将”并不是我们期待的划分结果）

如果/放到/旧/字典/中将/出错/。

In [4]:（为了避免出现上述错误的“中将”词汇结果，自行添加建议）

jieba.suggest_freq((\'中\', \'将\'), True)

Out[4]:

In [5]:

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

输出期待的结果：

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

考虑该词在全局所有文档中出现的频次。如果本文档中频次很高，则可以认为该词很重要。

但如果在全局文档中频次也很高说明它是一个烂大街的词汇，因此它不重要了。

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

In [6]: 附件中的 NBA.txt

import jieba.analyse as analyse
lines = open(\'NBA.txt\').read()
print "  ".join(analyse.extract_tags(lines, topK=20, withWeight=False, allowPOS=()))

韦少  杜兰特  全明星  全明星赛  MVP  威少  正赛  科尔  投篮  勇士  球员  斯布鲁克  更衣柜  张卫平  三连庄  NBA  西部  指导  雷霆  明星队

In [7]: 附件中的西游记.txt

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

行者  八戒  师父  三藏  唐僧  大圣  沙僧  妖精  菩萨  和尚  那怪  那里  长老  呆子  徒弟  怎么  不知  老孙  国王  一个

关于TF-IDF 算法的关键词抽取补充

关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成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
  - 自定义语料库示例见这里
  - 用法示例见这里
- 关键词提取所使用停止词（Stop Words）文本语料库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
  - 自定义语料库示例见这里
  - 用法示例见这里
  - 停止词：作分析的时候不需要这些词（例如一些感叹词或者说明，可以自行添加一些）
关键词一并返回关键词权重值示例
- 用法示例见这里

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

算法论文： TextRank: Bringing Order into Texts

基本思想:

将待抽取关键词的文本进行分词
以固定窗口大小(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

In [8]:

import jieba.analyse as analyse
lines = open(\'NBA.txt\').read()
print "  ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=(\'ns\', \'n\', \'vn\', \'v\')))  #动词和名词都要
print "---------------------我是分割线----------------"
print "  ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=(\'ns\', \'n\')))   #只要名词

全明星赛  勇士  正赛  指导  对方  投篮  球员  没有  出现  时间  威少  认为  看来  结果  相隔  助攻  现场  三连庄  介绍  嘉宾
---------------------我是分割线----------------
勇士  正赛  全明星赛  指导  投篮  玩命  时间  对方  现场  结果  球员  嘉宾  时候  全队  主持人  特点  大伙  肥皂剧  全程  快船队

In [9]:

lines = open(u\'西游记.txt\').read()  #正本小说
print "  ".join(analyse.textrank(lines, topK=20, withWeight=False, allowPOS=(\'ns\', \'n\', \'vn\', \'v\')))

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

词性标注（结果既有分词还有对应的词性）

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

In [10]:

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可观提升基于 python 自带的 multiprocessing 模块。

目前暂不支持 Windows，只支持 mac 和 linux

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

实验结果：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，是单进程版的 3.3 倍。

注意：并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。

In [11]:

import sys
import time
import jieba

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

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

输出结果：

并行分词速度为 830619.50933 bytes/second
非并行分词速度为 259941.448353 bytes/second

nltk主要是针对英文的，自带的不能对jieba处理后的进行处理，可以导入一些库。但是其实jieba已经可以很好的处理中文了，不需要扯上nltk

Tokenize：返回词语在原文的起止位置（定位）

注意，输入参数只接受 unicode

In [12]:

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 "\n-----------我是神奇的分割线------------\n"

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]))

输出结果：

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

-----------我是神奇的分割线------------

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

效果好坏取决于：

1.构建的数据库的大小：丰富度和完整性

2.构建的索引粒度应该足够细

from jieba.analyse import ChineseAnalyzer

In [16]:

# -*- 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

analyzer = jieba.analyse.ChineseAnalyzer()   #中文分析器作分析
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")   #用来存放后续生成的索引数据

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