附录1：中文切词

周纠纠2025-12-14 20:54

附录1：中文切词

文章目录

Jieba

"结巴"中文分词：做最好的 Python 中文分词组件

"Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module.

Scroll down for English documentation.

特点

支持三种分词模式：

  • 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。 支持繁体分词
    支持自定义词典
    MIT 授权协议

友情链接

https://github.com/baidu/lac 百度中文词法分析（分词+词性+专名）系统
https://github.com/baidu/AnyQ百度FAQ自动问答系统
https://github.com/baidu/Senta 百度情感识别系统

安装说明

代码对 Python 2/3 均兼容

全自动安装：easy_install jieba 或者 pip install jieba / pip3 install jieba

半自动安装：先下载 http://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

算法

基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG) 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合 对于未登录词，采用了基于汉字成词能力的 HMM 模型，使用了 Viterbi 算法

主要功能

1. 分词

  • 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
  • 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排索引的分词，粒度比较细
  • 待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8
  • 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)，或者用
  • jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
  • jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器，可用于同时使用不同词典。
  • jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。
python 复制代码 
import jieba

seg_list = jieba.cut("我来到西南财经大学", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list))  # 全模式

seg_list = jieba.cut("我来到西南财经大学", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))  # 精确模式

seg_list = jieba.cut("他来到了网易杭研大厦")  # 默认是精确模式
# (此处，"杭研"并没有在词典中，但是也被Viterbi算法识别出来了)
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，后在日本京都大学深造")  
                                              # 搜索引擎模式
print("搜索引擎模式: "+", ".join(seg_list))
python 复制代码 
Full Mode: 我/ 来到/ 西南/ 西南财经大学/ 财经/ 财经大学/ 大学
Default Mode: 我/ 来到/ 西南财经大学
他, 来到, 了, 网易, 杭研, 大厦
搜索引擎模式: 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, 日本, 京都, 大学, 日本京都大学, 深造
python 复制代码 
# 读取txt文档，进行中文切词
import jieba
filename = 'data/The Smiling Proud Wanderer.txt'
final = ''
with open(filename,'r',encoding = 'utf-8') as f:
    for line in f.readlines():
        line = line.strip()
        word = jieba.cut(line)
        for i in word:
            final = final + i +"/"
print(final)

-----------------------------------------------------------------------
/金庸/《/笑傲江湖/》/一/　/ / /灭门/和/风熏/柳/，/花香/醉人/，/正是/南国/春光/漫烂/季节/。/福建省/福州/府/西门/大街/，/青石板路/笔直/的/伸展出去/，/直通/西门/。/一座/建构/宏伟/的/宅第/之前/，/左右两座/石坛/中/各/竖/一根/两丈/来/高/的/旗杆/，/杆顶/飘扬/青旗/。/右首/旗上/黄色/丝线/绣/着/一头/张牙舞爪/、/神态/威猛/的/雄狮/，/旗子/随风/招展/，/显得/雄狮/更/奕奕/若生/。/雄狮/头顶/有/一对/黑/丝线/绣/的/蝙蝠/展翅飞翔/。/左首/旗上/绣/着/"/福威/镖局/"/四个/黑字/，/银钩/铁划/，/刚劲/非凡/。/大宅/朱漆/大门/，/门上/茶杯/大小/的/铜钉/闪闪发光/，/门顶/匾额/写/着/"/福威/镖局/"/四个/金漆/大字/，/下面/横书/"/总号/"/两个/小字/。/进门处/两排/长凳/，/分坐/着/八名/劲装/结束/的/汉子/，/个个/腰板/笔挺/，/显出/一股/英悍/之气/。/突然/间/后院/马蹄声/响/，/那/八名/汉子/一齐/站/起/，/抢出/大门/。/只见/镖局/西侧/门中/冲出/五/骑马/来/，/沿着/马道/冲/到/大门/之前/。/当先/一匹/马/全身/雪白/，/马勒/脚镫/都/是/烂/银/打/就/，/鞍上/一个/锦衣/少年/，/约莫/十八九岁/年纪/，/........

2. 添加自定义词典

载入词典

  • 开发者可以指定自己自定义的词典，以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力，但是自行添加新词可以保证更高的正确率
  • 用法： jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径
  • 词典格式和 dict.txt 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file_name 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。

|词语|词频|词性

|-----------------|----------|------------|-----------|

| 创新办 | 3 | i |

| 云计算 | 5 | |

|凱特琳 | | nz|

|李小福 | 2 |nr |

|easy_install | 3 | eng |

|好用 |300| |

|韩玉赏鉴 | 3 |nz |

|八一双鹿 | 3 | nz |

|台中 | | |

|Edu Trust认证| 2000| |

  • 词频省略时使用自动计算的能保证分出该词的词频。

  • 更改分词器（默认为 jieba.dt）的 tmp_dir 和 cache_file 属性，可分别指定缓存文件所在的文件夹及其文件名，用于受限的文件系统。

  • 范例：

    • 之前： 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /

    • 加载自定义词库后：　李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /

调整词典

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

  • 使用 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。

  • 注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。

python 复制代码 
print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
----------------------------------------------------------------
如果/放到/post/中将/出错/。

jieba.suggest_freq(('中', '将'), True)
-------------------------------------------------
494

print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
----------------------------------------------------------------
如果/放到/post/中/将/出错/。

print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
----------------------------------------------------------------
「/台/中/」/正确/应该/不会/被/切开

jieba.suggest_freq('台中', True)
----------------------------------------------------------------
69

print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
----------------------------------------------------------------
「/台中/」/正确/应该/不会/被/切开
python 复制代码 
# 读取data/userdict.txt自定义词典，动态修改词典，对文本切词
from __future__ import print_function, unicode_literals
import sys
sys.path.append("../")
import jieba
jieba.load_userdict("data/userdict.txt")
import jieba.posseg as pseg

# 新增词典后的切词情况
jieba.add_word('石墨烯')
jieba.add_word('凱特琳')
jieba.del_word('自定义词')

test_sent = (
"李小福是创新办主任也是云计算方面的专家; 什么是八一双鹿\n"
"例如我输入一个带"韩玉赏鉴"的标题，在自定义词库中也增加了此词为N类\n"
"「台中」正確應該不會被切開。mac上可分出「石墨烯」；此時又可以分出來凱特琳了。"
)
words = jieba.cut(test_sent)
print('/'.join(words)) 
print("="*40)

# 切词及词性标注
result = pseg.cut(test_sent)
for w in result:
    print(w.word, "/", w.flag, ", ", end=' ')
print("\n" + "="*40)

# 英文切词
terms = jieba.cut('easy_install is great')
print('/'.join(terms))
terms = jieba.cut('python 的正则表达式是好用的')
print('/'.join(terms))
print("="*40)

# test frequency tune
testlist = [
('今天天气不错', ('今天', '天气')),
('如果放到post中将出错。', ('中', '将')),
('我们中出了一个叛徒', ('中', '出')),
]

for sent, seg in testlist:
    print('/'.join(jieba.cut(sent, HMM=False)))
    word = ''.join(seg)
    print('%s Before: %s, After: %s' % (word, jieba.get_FREQ(word), jieba.suggest_freq(seg, True)))
    print('/'.join(jieba.cut(sent, HMM=False)))
    print("-"*40)
----------------------------------------------------------------

李小福/是/创新办/主任/也/是/云计算/方面/的/专家/;/ /什么/是/八一双鹿/
/例如/我/输入/一个/带/"/韩玉赏鉴/"/的/标题/，/在/自定义/词库/中/也/增加/了/此/词为/N/类/
/「/台中/」/正確/應該/不會/被/切開/。/mac/上/可/分出/「/石墨烯/」/；/此時/又/可以/分出/來/凱特琳/了/。
========================================
李小福 / nr ,  是 / v ,  创新办 / i ,  主任 / b ,  也 / d ,  是 / v ,  云计算 / x ,  方面 / n ,  的 / uj ,  专家 / n ,  ; / x ,    / x ,  什么 / r ,  是 / v ,  八一双鹿 / nz ,  
 / x ,  例如 / v ,  我 / r ,  输入 / v ,  一个 / m ,  带 / v ,  " / x ,  韩玉赏鉴 / nz ,  " / x ,  的 / uj ,  标题 / n ,  ， / x ,  在 / p ,  自定义 / l ,  词库 / n ,  中 / f ,  也 / d ,  增加 / v ,  了 / ul ,  此 / r ,  词 / n ,  为 / p ,  N / eng ,  类 / q ,  
 / x ,  「 / x ,  台中 / s ,  」 / x ,  正確 / ad ,  應該 / v ,  不 / d ,  會 / v ,  被 / p ,  切開 / ad ,  。 / x ,  mac / eng ,  上 / f ,  可 / v ,  分出 / v ,  「 / x ,  石墨烯 / x ,  」 / x ,  ； / x ,  此時 / c ,  又 / d ,  可以 / c ,  分出 / v ,  來 / zg ,  凱特琳 / nz ,  了 / ul ,  。 / x ,  
========================================
easy_install/ /is/ /great
python/ /的/正则表达式/是/好用/的
========================================
今天天气/不错
今天天气 Before: 3, After: 0
今天/天气/不错
----------------------------------------
如果/放到/post/中/将/出错/。
中将 Before: 494, After: 494
如果/放到/post/中/将/出错/。
----------------------------------------
我们/中/出/了/一个/叛徒
中出 Before: 3, After: 3
我们/中/出/了/一个/叛徒
----------------------------------------

3. 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
  • jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件
python 复制代码 
from jieba import analyse

# 引入TF-IDF关键词抽取接口
tfidf = analyse.extract_tags

# 原始文本
text = "线程是程序执行时的最小单位，它是进程的一个执行流，\
        是CPU调度和分派的基本单位，一个进程可以由很多个线程组成，\
        线程间共享进程的所有资源，每个线程有自己的堆栈和局部变量。\
        线程由CPU独立调度执行，在多CPU环境下就允许多个线程同时运行。\
        同样多线程也可以实现并发操作，每个请求分配一个线程来处理。"

# 基于TF-IDF算法进行关键词抽取
keywords = tfidf(text)
print("keywords by tfidf:")

# 输出抽取出的关键词
for keyword in keywords:
    print(keyword + "/",end=' ')
----------------------------------------------------------------
keywords by tfidf:
线程/ CPU/ 进程/ 调度/ 多线程/ 程序执行/ 每个/ 执行/ 堆栈/ 局部变量/ 单位/ 并发/ 分派/ 一个/ 共享/ 请求/ 最小/ 可以/ 允许/ 分配/
python 复制代码 
# 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
from jieba import analyse
jieba.analyse.set_idf_path("data/idf.txt.big")

# 引入TF-IDF关键词抽取接口
tfidf = analyse.extract_tags

# 原始文本
text = "线程是程序执行时的最小单位，它是进程的一个执行流，\
        是CPU调度和分派的基本单位，一个进程可以由很多个线程组成，\
        线程间共享进程的所有资源，每个线程有自己的堆栈和局部变量。\
        线程由CPU独立调度执行，在多CPU环境下就允许多个线程同时运行。\
        同样多线程也可以实现并发操作，每个请求分配一个线程来处理。"

# 基于TF-IDF算法进行关键词抽取
keywords = tfidf(text)
print("keywords by tfidf:")

# 输出抽取出的关键词
for keyword in keywords:
    print(keyword + "/",end=' ')
----------------------------------------------------------------
keywords by tfidf:
线程/ 一个/ CPU/ 单位/ 每个/ 进程/ 调度/ 多线程/ 程序执行/ 基本/ 很多/ 组成/ 共享/ 所有/ 自己/ 局部变量/ 独立/ 允许/ 同时/ 运行/
python 复制代码 
# 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
from jieba import analyse
jieba.analyse.set_stop_words("data/stop_words.txt")
jieba.analyse.set_idf_path("data/idf.txt.big")

# 引入TF-IDF关键词抽取接口
tfidf = analyse.extract_tags

# 原始文本
text = "线程是程序执行时的最小单位，它是进程的一个执行流，\
        是CPU调度和分派的基本单位，一个进程可以由很多个线程组成，\
        线程间共享进程的所有资源，每个线程有自己的堆栈和局部变量。\
        线程由CPU独立调度执行，在多CPU环境下就允许多个线程同时运行。\
        同样多线程也可以实现并发操作，每个请求分配一个线程来处理。"

# 基于TF-IDF算法进行关键词抽取
keywords = tfidf(text)
print("keywords by tfidf:")

# 输出抽取出的关键词
for keyword in keywords:
    print(keyword + "/",end=' ')
----------------------------------------------------------------
keywords by tfidf:
线程/ 一个/ CPU/ 单位/ 每个/ 进程/ 调度/ 多线程/ 程序执行/ 基本/ 很多/ 组成/ 共享/ 所有/ 自己/ 局部变量/ 独立/ 允许/ 同时/ 运行/
python 复制代码 
# 关键词一并返回关键词权重值示例
from jieba import analyse

# 引入TF-IDF关键词抽取接口
tfidf = analyse.extract_tags

# 原始文本
text = "线程是程序执行时的最小单位，它是进程的一个执行流，\
        是CPU调度和分派的基本单位，一个进程可以由很多个线程组成，\
        线程间共享进程的所有资源，每个线程有自己的堆栈和局部变量。\
        线程由CPU独立调度执行，在多CPU环境下就允许多个线程同时运行。\
        同样多线程也可以实现并发操作，每个请求分配一个线程来处理。"

# 基于TF-IDF算法进行关键词抽取
keywords = tfidf(text, withWeight=True)
print("keywords by tfidf:")

# 输出抽取出的关键词
for keyword in keywords:
    print("tag: %s\t\t weight: %f" % (keyword[0],keyword[1]))
----------------------------------------------------------------
keywords by tfidf:
tag: 线程		 weight: 1.609296
tag: 一个		 weight: 0.689698
tag: CPU		 weight: 0.689698
tag: 单位		 weight: 0.459799
tag: 每个		 weight: 0.459799
tag: 进程		 weight: 0.376467
tag: 调度		 weight: 0.326159
tag: 多线程		 weight: 0.267321
tag: 程序执行		 weight: 0.229899
tag: 基本		 weight: 0.229899
tag: 很多		 weight: 0.229899
tag: 组成		 weight: 0.229899
tag: 共享		 weight: 0.229899
tag: 所有		 weight: 0.229899
tag: 自己		 weight: 0.229899
tag: 局部变量		 weight: 0.229899
tag: 独立		 weight: 0.229899
tag: 允许		 weight: 0.229899
tag: 同时		 weight: 0.229899
tag: 运行		 weight: 0.229899
python 复制代码 
# 读取txt文档，进行中文切词并提取关键词
import jieba
from jieba import analyse

filename = 'data/The Smiling Proud Wanderer.txt'
final = ''
tfidf = analyse.extract_tags

with open(filename,'r',encoding = 'utf-8') as f:
    for line in f.readlines():
        line = line.strip()
        keywords = tfidf(line, withWeight=True)
    for keyword in keywords:
        print("tag: %s\t\t weight: %f" % (keyword[0],keyword[1]))
----------------------------------------------------------------
tag: 林震南		 weight: 0.796985
tag: 这时		 weight: 0.796985
tag: 心中		 weight: 0.796985
tag: 的确		 weight: 0.796985
tag: 青城派		 weight: 0.796985
tag: 怎么		 weight: 0.796985
tag: 剑法		 weight: 0.796985
tag: 新语丝		 weight: 0.796985
tag: 电子		 weight: 0.796985
tag: 文库		 weight: 0.796985
tag: www		 weight: 0.796985
tag: xys		 weight: 0.796985
tag: org		 weight: 0.796985
tag: 林家		 weight: 0.704565
tag: 辟邪		 weight: 0.695663

4. 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。
python 复制代码 
import jieba.posseg as pseg
words = pseg.cut("我爱北京天安门")
for word, flag in words:
    print('%s %s' % (word, flag))
----------------------------------------------------------------
我 r
爱 v
北京 ns
天安门 ns
相关推荐
Cricyta Sevina8 小时前
Java Collection 集合进阶知识笔记
java·笔记·python·collection集合
零度@8 小时前
Java中Map的多种用法
java·前端·python
550A9 小时前
如何修改kagglehub的数据集默认下载路径
python
倚天仗剑走天涯WGM9 小时前
对CANoe和VBA和TSmaster 三款工具的调用的理解
python
我命由我123459 小时前
python-dotenv - python-dotenv 快速上手
服务器·开发语言·数据库·后端·python·学习·学习方法
黑客思维者9 小时前
Python定时任务schedule/APScheduler/Crontab 原理与落地实践
开发语言·python·crontab·apscheduler
yaoxin5211239 小时前
268. Java Stream API 入门指南
java·开发语言·python
测试人社区-千羽9 小时前
48小时攻克测试岗——闪电面试极速备战手册
人工智能·python·opencv·面试·职场和发展·单元测试·压力测试
weixin_390308469 小时前
Python工具网站网址
python
热门推荐
01GitHub 镜像站点02【AutoGLM部署】本地私有化部署AI手机Agent03UV安装并设置国内源04【超详细教程】手把手教你从微软官网免费下载Windows 10官方原版ISO镜像（2025最新版）05Open-AutoGLM Windows 安装部署教程06Linux下V2Ray安装配置指南07BongoCat - 跨平台键盘猫动画工具08安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）09Windows 11 官方系统安装与重装完整教程（2025年最新版）10Cursor 又偷偷更新，这个功能太实用：Visual Editor for Cursor Browser