NLP第2課：中文分詞利器 jieba 和 HanLP

前言

從本文開始，我們進入實戰部分。首先，我們按照中文自然語言處理流程的第一步獲取語料，然后重點進行中文分詞的學習。中文分詞有很多種，常見的比如有中科院計算所 NLPIR、哈工大 LTP、清華大學 THULAC 、斯坦福分詞器、Hanlp 分詞器、jieba 分詞、IKAnalyzer 等。這里針對 jieba 和 HanLP 分別介紹不同場景下的中文分詞應用。

jieba 分詞

jieba 安裝

（1）Python 2.x 下 jieba 的三種安裝方式，如下：

• 全自動安裝 ：執行命令 easy_install jieba 或者 pip install jieba / pip3 install jieba ，可實現全自動安裝。

• 半自動安裝 ：先 下載 jieba ，解壓后運行 python setup.py install 。

• 手動安裝 ：將 jieba 目錄放置于當前目錄或者 site-packages 目錄。

安裝完通過 import jieba 驗證安裝成功與否。

（2）Python 3.x 下的安裝方式。

Github 上 jieba 的 Python3.x 版本的路徑是： https://github.com/fxsjy/jieba/tree/jieba3k 。

通過 git clone https://github.com/fxsjy/jieba.git 命令下載到本地，然后解壓，再通過命令行進入解壓目錄，執行 python setup.py install 命令，即可安裝成功。

jieba 的分詞算法

主要有以下三種：

1. 基于統計詞典，構造前綴詞典，基于前綴詞典對句子進行切分，得到所有切分可能，根據切分位置，構造一個有向無環圖（DAG）；

2. 基于DAG圖，采用動態規劃計算最大概率路徑（最有可能的分詞結果），根據最大概率路徑分詞；

3. 對于新詞(詞庫中沒有的詞），采用有漢字成詞能力的 HMM 模型進行切分。

jieba 分詞

下面我們進行 jieba 分詞練習，第一步首先引入 jieba 和語料:

    import jieba
    content = "現如今，機器學習和深度學習帶動人工智能飛速的發展，并在圖片處理、語音識別領域取得巨大成功。"

（1） 精確分詞

精確分詞：精確模式試圖將句子最精確地切開，精確分詞也是默認分詞。

segs_1 = jieba.cut(content, cut_all=False)print("/".join(segs_1))

其結果為：

現如今/，/機器/學習/和/深度/學習/帶動/人工智能/飛速/的/發展/，/并/在/圖片/處理/、/語音/識別/領域/取得/巨大成功/。

（2） 全模式

全模式分詞：把句子中所有的可能是詞語的都掃描出來，速度非常快，但不能解決歧義。

    segs_3 = jieba.cut(content, cut_all=True)    print("/".join(segs_3))

結果為：

現如今/如今///機器/學習/和/深度/學習/帶動/動人/人工/人工智能/智能/飛速/的/發展///并/在/圖片/處理///語音/識別/領域/取得/巨大/巨大成功/大成/成功//

（3） 搜索引擎模式

搜索引擎模式：在精確模式的基礎上，對長詞再次切分，提高召回率，適合用于搜索引擎分詞。

    segs_4 = jieba.cut_for_search(content)    print("/".join(segs_4))

結果為：

如今/現如今/，/機器/學習/和/深度/學習/帶動/人工/智能/人工智能/飛速/的/發展/，/并/在/圖片/處理/、/語音/識別/領域/取得/巨大/大成/成功/巨大成功/。

（4） 用 lcut 生成 list

jieba.cut 以及 jieba.cut_for_search 返回的結構都是一個可迭代的 Generator，可以使用 for 循環來獲得分詞后得到的每一個詞語（Unicode）。jieba.lcut 對 cut 的結果做了封裝，l 代表 list，即返回的結果是一個 list 集合。同樣的，用 jieba.lcut_for_search 也直接返回 list 集合。

    segs_5 = jieba.lcut(content)    print(segs_5)

結果為：

['現如今', '，', '機器', '學習', '和', '深度', '學習', '帶動', '人工智能', '飛速', '的', '發展', '，', '并', '在', '圖片', '處理', '、', '語音', '識別', '領域', '取得', '巨大成功', '。']

（5） 獲取詞性

jieba 可以很方便地獲取中文詞性，通過 jieba.posseg 模塊實現詞性標注。

    import jieba.posseg as psg
    print([(x.word,x.flag) for x in psg.lcut(content)])

結果為：

[('現如今', 't'), ('，', 'x'), ('機器', 'n'), ('學習', 'v'), ('和', 'c'), ('深度', 'ns'), ('學習', 'v'), ('帶動', 'v'), ('人工智能', 'n'), ('飛速', 'n'), ('的', 'uj'), ('發展', 'vn'), ('，', 'x'), ('并', 'c'), ('在', 'p'), ('圖片', 'n'), ('處理', 'v'), ('、', 'x'), ('語音', 'n'), ('識別', 'v'), ('領域', 'n'), ('取得', 'v'), ('巨大成功', 'nr'), ('。', 'x')]

（6） 并行分詞

并行分詞原理為文本按行分隔后，分配到多個 Python 進程并行分詞，最后歸并結果。

用法：

jieba.enable_parallel(4) # 開啟并行分詞模式，參數為并行進程數 。jieba.disable_parallel() # 關閉并行分詞模式 。

注意： 并行分詞僅支持默認分詞器 jieba.dt 和 jieba.posseg.dt。目前暫不支持 Windows。

（7） 獲取分詞結果中詞列表的 top n

    from collections import Counter
    top5= Counter(segs_5).most_common(5)
    print(top5)

結果為：

[('，', 2), ('學習', 2), ('現如今', 1), ('機器', 1), ('和', 1)]

（8） 自定義添加詞和字典

默認情況下，使用默認分詞，是識別不出這句話中的“鐵甲網”這個新詞，這里使用用戶字典提高分詞準確性。

    txt = "鐵甲網是中國最大的工程機械交易平臺。"
    print(jieba.lcut(txt))

結果為：

['鐵甲', '網是', '中國', '最大', '的', '工程機械', '交易平臺', '。']

如果添加一個詞到字典，看結果就不一樣了。

    jieba.add_word("鐵甲網")    print(jieba.lcut(txt))

結果為：

['鐵甲網', '是', '中國', '最大', '的', '工程機械', '交易平臺', '。']

但是，如果要添加很多個詞，一個個添加效率就不夠高了，這時候可以定義一個文件，然后通過 load_userdict() 函數，加載自定義詞典，如下：

    jieba.load_userdict('user_dict.txt')    print(jieba.lcut(txt))

結果為：

['鐵甲網', '是', '中國', '最大', '的', '工程機械', '交易平臺', '。']

注意事項：

jieba.cut 方法接受三個輸入參數: 需要分詞的字符串； cut_all 參數用來控制是否采用全模式；HMM 參數用來控制是否使用 HMM 模型。

jieba.cut_for_search 方法接受兩個參數：需要分詞的字符串；是否使用 HMM 模型。該方法適合用于搜索引擎構建倒排索引的分詞，粒度比較細。

HanLP 分詞

pyhanlp 安裝

其為 HanLP 的 Python 接口，支持自動下載與升級 HanLP，兼容 Python2、Python3。

安裝命令為 pip install pyhanlp ，使用命令 hanlp 來驗證安裝。

pyhanlp 目前使用 jpype1 這個 Python 包來調用 HanLP，如果遇到：

building '_jpype' extensionerror: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft VisualC++ Build Tools": http://landinghub.visualstudio.com/visual-cpp-build-tools

則推薦利用輕量級的 Miniconda 來下載編譯好的 jpype1。

    conda install -c conda-forge jpype1
    pip install pyhanlp

未安裝 Java 時會報錯 ：

jpype. jvmfinder.JVMNotFoundException: No JVM shared library file (jvm.dll) found. Try setting up the JAVA HOME environment variable properly.

HanLP 主項目采用 Java 開發，所以需要 Java 運行環境，請安裝 JDK。

命令行交互式分詞模式

在命令行界面，使用命令 hanlp segment 進入交互分詞模式，輸入一個句子并回車，HanLP 會輸出分詞結果：

HanlP分詞1.png

HanLp分詞2.png

可見，pyhanlp 分詞結果是帶有詞性的。

服務器模式

通過 hanlp serve 來啟動內置的 HTTP 服務器，默認本地訪問地址為： http://localhost:8765 。

Hanlp分詞3.png

enter image description here

也可以訪問官網演示頁面： http://hanlp.hankcs.com/ 。

通過工具類 HanLP 調用常用接口

通過工具類 HanLP 調用常用接口，這種方式應該是我們在項目中最常用的方式。

（1）分詞

    from pyhanlp import *
    content = "現如今，機器學習和深度學習帶動人工智能飛速的發展，并在圖片處理、語音識別領域取得巨大成功。"
    print(HanLP.segment(content))

結果為：

[現如今/t, ，/w, 機器學習/gi, 和/cc, 深度/n, 學習/v, 帶動/v, 人工智能/n, 飛速/d, 的/ude1, 發展/vn, ，/w, 并/cc, 在/p, 圖片/n, 處理/vn, 、/w, 語音/n, 識別/vn, 領域/n, 取得/v, 巨大/a, 成功/a, 。/w]

（2）自定義詞典分詞

在沒有使用自定義字典時的分詞。

    txt = "鐵甲網是中國最大的工程機械交易平臺。"
    print(HanLP.segment(txt))

結果為：

[鐵甲/n, 網/n, 是/vshi, 中國/ns, 最大/gm, 的/ude1, 工程/n, 機械/n, 交易/vn, 平臺/n, 。/w]

添加自定義新詞：

    CustomDictionary.add("鐵甲網")
    CustomDictionary.insert("工程機械", "nz 1024")
    CustomDictionary.add("交易平臺", "nz 1024 n 1")    print(HanLP.segment(txt))

結果為：

[鐵甲網/nz, 是/vshi, 中國/ns, 最大/gm, 的/ude1, 工程機械/nz, 交易平臺/nz, 。/w]

當然了，jieba 和 pyhanlp 能做的事還有很多，關鍵詞提取、自動摘要、依存句法分析、情感分析等，后面章節我們將會講到，這里不再贅述。

文章來源于米飯超人的博客