jieba库在Python中如何进行中文分词操作？

2026-05-17 01:551阅读0评论SEO资讯

内容介绍
文章标签
相关推荐

本文共计1264个文字，预计阅读时间需要6分钟。

目录+jieba库简介

1.什么是jieba库？

2.安装

3.基本使用

1. 三种模式 2. 使用语法 2.1 对词语组的基本操作 2.2 关键字提取 2.3 词性标注 2.4 返回词性在原文中的结束位置

jieba库
- 一、简介
  - 1、是什么
  - 2、安装
- 二、基本使用
  - 1、三种模式
  - 2、使用语法
    - 2.1 对词组的基本操作
    - 2.2 关键字提取
    - 2.3 词性标注
    - 2.4 返回词语在原文的起止位置

jieba库一、简介 1、是什么

（1）jieba是优秀的中文分词第三方库

中文文本需要通过分词获得单个的词语
jieba是优秀的中文分词第三方库，需要额外安装
jieba库提供三种分词模式，最简单只需掌握一个函数

（2）jieba分词的原理

jieba分词依靠中文词库
利用一个中文词库，确定汉字之间的关联概率
汉字间概率大的组成词组，形成分词结果
除了分词，用户还可以添加自定义的词组

2、安装

pip install jieba 导入 import jieba

官方文档

二、基本使用 1、三种模式

精确模式：

就是把一段文本精确地切分成若干个中文单词，若干个中文单词之间经过组合，就精确地还原之前的文本。其中不存在冗余单词
str = "你好呀，我叫李华！多多关照！" print(jieba.lcut(str))

全模式：

将一段文本中所有可能的词语都扫描出来，可能有一段文本，它可以切分成不同的模式，或者有不同的角度来切分变成不同的词语，在全模式下，jieba库会将各种不同的组合都挖掘出来。分词后的信息组合起来会有冗余，不再是原来的文本
str = "你好呀，我叫李华！多多关照！" print(jieba.lcut(str, cut_all=True))

搜索引擎模式：

在精确模式的基础上，对发现的那些长的词语，我们会对它再次切分，进而适合搜索引擎对短词语的索引和搜索。也有冗余
str = "你好呀，我叫李华！多多关照！" print(jieba.lcut_for_search(str))

2、使用语法 2.1 对词组的基本操作

添加
- str = "你好呀，我叫李华！多多关照！" jieba.add_word("你") print(jieba.lcut(str))
删除
- str = "你好呀，我叫李华！多多关照！" jieba.del_word("李华") print(jieba.lcut(str))
加载自定义词典
- str = "你好呀，我叫李华！多多关照！" jieba.load_userdict("./dict.txt") # 文件编码必须为 utf-8 print(jieba.lcut(str))
调整词出现的频率
- str = "你好呀，我叫李华！多多关照！" jieba.suggest_freq(("李", "华"), True) print(jieba.lcut(str))

2.2 关键字提取

TFIDF算法

import jieba.analyse # 导包 jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=()) jieba.analyse.TFIDF(idf_path=None) # 创建一个新的 TFIDF 实例，idf_path是指指定 IDF 频率文件的路径

参数：

sentence：要提取的文本

topK：返回多少个具有最高TF/IDF权重的关键字。默认值为 20

withWeight：是否返回关键字的TF/IDF权重。默认为假

allowPOS：过滤包含POS（词性）的单词。空无过滤，可以选择['ns', 'n', 'vn', 'v','nr']

TextRank算法

jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) # 有默认词性 jieba.analyse.TextRank() # 新建自定义 TextRank 实例 2.3 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

import jieba.posseg str = "你好呀，我叫李华！多多关照！" pt = jieba.posseg.POSTokenizer() print(pt.lcut(str)) # 得到 pair键值对，使用遍历取值 # print(jieba.posseg.cut(str)) # 作用一样 for i, k in ps.lcut(str): print(i, k) 2.4 返回词语在原文的起止位置

jieba.tokenize(arg, mode=None)

mode有搜索模式（search）和默认模式（default）

import jieba str = "你好呀，我叫李华！多多关照！" g = jieba.tokenize(str, mode="search") # 生成器 for i in g: print(i)

标签：jieba 库目录一