mirror of
https://github.com/fumiama/jieba.git
synced 2026-06-08 02:00:24 +08:00
198 lines
6.2 KiB
Markdown
198 lines
6.2 KiB
Markdown
结巴分词Go版 jiebago
|
||
===================
|
||
|
||
[](https://travis-ci.org/wangbin/jiebago)
|
||
|
||
[结巴分词](https://github.com/fxsjy/jieba)是[@fxsjy](https://github.com/fxsjy)用Python编写的中文分词组件，jiebago是结巴分词的Go语言实现，目前已经实现的功能包括：三种模式分词、自定义词典、关键词提取和词性标注。
|
||
|
||
|
||
安装
|
||
=====
|
||
|
||
go get github.com/wangbin/jiebago
|
||
|
||
分词
|
||
=====
|
||
|
||
package main
|
||
|
||
import (
|
||
"fmt"
|
||
"github.com/wangbin/jiebago"
|
||
"strings"
|
||
)
|
||
|
||
var sentence = "我来到北京清华大学"
|
||
|
||
func main() {
|
||
jiebago.SetDictionary("/Path/to/default/dictionary/file") // 设定字典
|
||
fmt.Printf("【全模式】: %s\n\n", strings.Join(jiebago.Cut(sentence, true, true), "/ "))
|
||
fmt.Printf("【精确模式】: %s\n\n", strings.Join(jiebago.Cut(sentence, false, true), "/ "))
|
||
fmt.Printf("【新词识别】：%s\n\n", strings.Join(jiebago.Cut("他来到了网易杭研大厦", false, true), ", "))
|
||
fmt.Printf("【搜索引擎模式】：%s\n\n", strings.Join(jiebago.CutForSearch("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", true), ", "))
|
||
}
|
||
|
||
使用结巴分词自带的[词典文件](https://github.com/fxsjy/jieba/blob/master/jieba/dict.txt)，输出结果如下：
|
||
|
||
【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
|
||
|
||
【精确模式】: 我/ 来到/ 北京/ 清华大学
|
||
|
||
【新词识别】：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
|
||
|
||
添加自定义词典
|
||
=============
|
||
|
||
var sentence = "李小福是创新办主任也是云计算方面的专家"
|
||
jiebago.SetDictionary("/Path/to/default/dictionary/file")
|
||
fmt.Printf("Before: %s\n\n", strings.Join(jiebago.Cut(sentence, false, true), "/ "))
|
||
jiebago.LoadUserDict("/Path/to/user/dictionary/file")
|
||
fmt.Printf("After: %s\n\n", strings.Join(jiebago.Cut(sentence, false, true), "/ "))
|
||
|
||
使用结巴分词自带的[词典文件](https://github.com/fxsjy/jieba/blob/master/jieba/dict.txt)和[用户自定义词典文件](https://github.com/fxsjy/jieba/blob/master/test/userdict.txt)，结果输出如下：
|
||
|
||
Before: 李小福/ 是/ 创新/ 办/ 主任/ 也/ 是/ 云/ 计算/ 方面/ 的/ 专家
|
||
|
||
After: 李小福/ 是/ 创新办/ 主任/ 也/ 是/ 云计算/ 方面/ 的/ 专家
|
||
|
||
关键词提取
|
||
========
|
||
|
||
需要先安装analyse模块：
|
||
|
||
go get github.com/wangbin/jiebago/analyse
|
||
|
||
示例代码：
|
||
|
||
package main
|
||
|
||
import (
|
||
"fmt"
|
||
"github.com/wangbin/jiebago"
|
||
"github.com/wangbin/jiebago/analyse"
|
||
"strings"
|
||
)
|
||
|
||
var sentence = "这是一个伸手不见五指的黑夜。我叫孙悟空，我爱北京，我爱Python和C++。"
|
||
|
||
func main() {
|
||
jiebago.SetDictionary("/Path/to/default/dictionary/file")
|
||
analyse.SetIdf("/Path/to/idf/file")
|
||
fmt.Println(strings.Join(analyse.ExtractTags(sentence, 20), "/ "))
|
||
}
|
||
|
||
输出：
|
||
|
||
Python/ C++/ 伸手不见五指/ 孙悟空/ 黑夜/ 北京/ 这是/ 一个
|
||
|
||
词性标注
|
||
=======
|
||
|
||
需要先安装posseg模块：
|
||
|
||
go get github.com/wangbin/jiebago/posseg
|
||
|
||
示例代码：
|
||
|
||
package main
|
||
|
||
import (
|
||
"fmt"
|
||
"github.com/wangbin/jiebago"
|
||
"github.com/wangbin/jiebago/posseg"
|
||
)
|
||
|
||
var sentence = "我爱北京天安门"
|
||
|
||
func main() {
|
||
jiebago.SetDictionary("/Path/to/default/dictionary/file")
|
||
for _, wt := range posseg.Cut(sentence, true) {
|
||
fmt.Printf("%s %s\n", wt.Word, wt.Tag)
|
||
}
|
||
}
|
||
|
||
输出：
|
||
|
||
我 r
|
||
爱 v
|
||
北京 ns
|
||
天安门 ns
|
||
|
||
并行分词
|
||
=======
|
||
|
||
因为Go有强大的goroutine特性，并行分词实现起来非常简单，所以并没有内置到jiebaogo中，而是由使用者自己实现，下面是一个简单的例子：
|
||
|
||
lineCount := 0
|
||
inputFile, _ := os.Open(FileName)
|
||
defer inputFile.Close()
|
||
scanner := bufio.NewScanner(inputFile)
|
||
ch := make(chan []string, 1)
|
||
for scanner.Scan() {
|
||
line := scanner.Text()
|
||
fileLength += len([]rune(line))
|
||
lineCount += 1
|
||
go func() {
|
||
ch <- jiebago.Cut(line, false, true)
|
||
}()
|
||
}
|
||
if err := scanner.Err(); err != nil {
|
||
panic(err)
|
||
}
|
||
outputFile, _ := os.OpenFile("parallelCut.log", os.O_CREATE|os.O_WRONLY, 0600)
|
||
defer outputFile.Close()
|
||
writer := bufio.NewWriter(outputFile)
|
||
results := make([]string, 0)
|
||
for {
|
||
if lineCount <= 0 {
|
||
break
|
||
}
|
||
result, ok := <-ch
|
||
if ok {
|
||
results = append(results, result...)
|
||
lineCount -= 1
|
||
}
|
||
}
|
||
writer.WriteString(strings.Join(results, "/ "))
|
||
writer.Flush()
|
||
|
||
|
||
Tokenize
|
||
=========
|
||
|
||
var sentence = "永和服装饰品有限公司"
|
||
// 默认模式
|
||
for _, token := range jiebago.Tokenize(sentence, "default", true) {
|
||
fmt.Printf("word %s\t\t start: %d \t\t end:%d\n", token.Word, token.Start, token.End)
|
||
}
|
||
// 搜索模式
|
||
for _, token := range jiebago.Tokenize(sentence, "search", true) {
|
||
fmt.Printf("word %s\t\t start: %d \t\t end:%d\n", token.Word, token.Start, token.End)
|
||
}
|
||
|
||
输出结果：
|
||
|
||
word 永和 start: 0 end:2
|
||
word 服装 start: 2 end:4
|
||
word 饰品 start: 4 end:6
|
||
word 有限公司 start: 6 end:10
|
||
|
||
word 永和 start: 0 end:2
|
||
word 服装 start: 0 end:2
|
||
word 饰品 start: 0 end:2
|
||
word 有限 start: 0 end:2
|
||
word 公司 start: 2 end:4
|
||
word 有限公司 start: 0 end:4
|
||
|
||
分词速度
|
||
=======
|
||
|
||
- 2MB / Second in Full Mode
|
||
- 700KB / Second in Default Mode
|
||
- Test Env: AMD Phenom(tm) II X6 1055T CPU @ 2.8GHz; 《金庸全集》
|
||
|
||
许可证
|
||
======
|
||
MIT: http://wangbin.mit-license.org |