Jieba库基本用法_jieba库的使用

Jieba库对中文分词的支持下较好，将文本分成粒度更细的词。

一、 特点
（一）支持三种分词模式：
1、 精确模式，试图将句子最精确地切开，适合文本分析；
2、 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；
3、 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。
（二）支持繁体分词
（三）支持自定义分词
（四）MIT授权协议

二、 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。
• Pseg.cut(str1)：词性标注，标注句子分词后每个词的词性
• Jieba.analysee.extract_tags(str1,2)：关键词提取，参数setence对应str1为待提取的文本，topk对应2为返回几个TF/IDF权重最大的关键词，默认为20
• Jieba.tokenize(test_sent)：Tokenize返回词语在原本的起始位置