mirror of
https://github.com/fumiama/jieba.git
synced 2026-06-05 00:32:51 +08:00
410 lines
12 KiB
Markdown
410 lines
12 KiB
Markdown
#结巴分词 Go 语言版：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"
|
||
)
|
||
|
||
var sentence = "我来到北京清华大学"
|
||
|
||
func print(ch chan string) {
|
||
for word := range ch {
|
||
fmt.Printf("%s / ", word)
|
||
}
|
||
fmt.Println()
|
||
fmt.Println()
|
||
}
|
||
|
||
func main() {
|
||
jiebago.SetDictionary("/Path/to/dictionary/file") // 设定字典
|
||
fmt.Print("【全模式】： ")
|
||
print(jiebago.Cut(sentence, true, true))
|
||
fmt.Print("【精确模式】： ")
|
||
print(jiebago.Cut(sentence, false, true))
|
||
fmt.Print("【新词识别】：")
|
||
print(jiebago.Cut("他来到了网易杭研大厦", false, true))
|
||
fmt.Print("【搜索引擎模式】：")
|
||
print(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"
|
||
fmt.Print("Before: ")
|
||
print(jiebago.Cut(sentence, false, true))
|
||
jiebago.LoadUserDict("/Path/to/user/dictionary/file")
|
||
fmt.Print("After: ")
|
||
print(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
|
||
|
||
示例代码：
|
||
|
||
package main
|
||
|
||
import (
|
||
"fmt"
|
||
"github.com/wangbin/jiebago/analyse"
|
||
)
|
||
|
||
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() {
|
||
analyse.SetDictionary("/Path/to/dictionary/file")
|
||
analyse.SetIdf("/Path/to/idf/file")
|
||
for _, ww := range analyse.ExtractTags(sentence, 20) {
|
||
fmt.Printf("%s / ", ww.Word)
|
||
}
|
||
}
|
||
|
||
输出：
|
||
|
||
Python / C++ / 伸手不见五指 / 孙悟空 / 黑夜 / 北京 / 这是 / 一个 /
|
||
|
||
## 基于TextRank算法的关键词抽取实现
|
||
|
||
示例代码：
|
||
|
||
package main
|
||
|
||
import (
|
||
"fmt"
|
||
"github.com/wangbin/jiebago/analyse"
|
||
)
|
||
|
||
func main() {
|
||
sentence := "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚 置业注册资本由7000万元增加到5亿元。吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年，实现营业收入0万元，实现净利润-139.13万元。"
|
||
|
||
analyse.SetDictionary("/Path/to/dictionary/file")
|
||
result := analyse.TextRank(sentence, 10)
|
||
for _, wt := range result {
|
||
fmt.Printf("%s %f\n", wt.Word, wt.Freq)
|
||
}
|
||
}
|
||
|
||
输出：
|
||
|
||
吉林 1.000000
|
||
欧亚 0.878078
|
||
置业 0.562048
|
||
实现 0.520906
|
||
收入 0.384284
|
||
增资 0.360591
|
||
子公司 0.353132
|
||
城市 0.307509
|
||
全资 0.306324
|
||
商业 0.306138
|
||
|
||
## 词性标注
|
||
|
||
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() {
|
||
posseg.SetDictionary("/Path/to/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() {
|
||
for word := range jiebago.Cut(line, false, true) {
|
||
ch <- word
|
||
}
|
||
}()
|
||
}
|
||
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：返回词语在原文的起始位置
|
||
|
||
|
||
注意新版的 Jiebago Tokenizer 实现了 Bleve 的 Tokenizer 接口，跟之前的实现有很大的变化：
|
||
|
||
1. 接受的参数必须是 []byte。
|
||
2. 输出的 Token 的起始和终止位置是 byte 的位置，不是之前的 rune 的位置，所以和 Python 版的 Jieba.tokenize 输出不一致。
|
||
|
||
```
|
||
package main
|
||
|
||
import (
|
||
"fmt"
|
||
"github.com/wangbin/jiebago/tokenizers"
|
||
)
|
||
|
||
const DictPath = "/path/to/dict.txt"
|
||
|
||
var sentence = []byte("永和服装饰品有限公司")
|
||
|
||
func main() {
|
||
// default mode
|
||
tokenizer, _ := tokenizers.NewJiebaTokenizer(DictPath, true, false) for _, token := range tokenizer.Tokenize(sentence) {
|
||
fmt.Printf(
|
||
"Term: %s\t Start: %d \t End: %d\t Position: %d\t Type: %d\n",
|
||
token.Term, token.Start, token.End, token.Position, token.Type)
|
||
}
|
||
|
||
//search mode
|
||
tokenizer, _ = tokenizers.NewJiebaTokenizer(DictPath, true, true)
|
||
for _, token := range tokenizer.Tokenize(sentence) {
|
||
fmt.Printf(
|
||
"Term: %s\t Start: %d \t End: %d\t Position: %d\t Type: %d\n",
|
||
token.Term, token.Start, token.End, token.Position, token.Type)
|
||
}
|
||
|
||
}
|
||
|
||
```
|
||
默认模式输出：
|
||
|
||
```
|
||
Term: 永和 Start: 0 End: 6 Position: 1 Type: 1
|
||
Term: 服装 Start: 6 End: 12 Position: 2 Type: 1
|
||
Term: 饰品 Start: 12 End: 18 Position: 3 Type: 1
|
||
Term: 有限公司 Start: 18 End: 30 Position: 4 Type: 1
|
||
```
|
||
搜索模式输出：
|
||
|
||
```
|
||
Term: 永和 Start: 0 End: 6 Position: 1 Type: 1
|
||
Term: 服装 Start: 6 End: 12 Position: 2 Type: 1
|
||
Term: 饰品 Start: 12 End: 18 Position: 3 Type: 1
|
||
Term: 有限 Start: 18 End: 24 Position: 4 Type: 1
|
||
Term: 公司 Start: 24 End: 30 Position: 5 Type: 1
|
||
Term: 有限公司 Start: 18 End: 30 Position: 6 Type: 1
|
||
```
|
||
### 配合 bleve 进行中文全文检索
|
||
|
||
[bleve](http://www.blevesearch.com/) 是一个 Go 语言实现的全文索引系统，jiebago 可以配合 bleve 使用实现中文的全文检索。一个简单的用法示例：
|
||
|
||
```
|
||
package main
|
||
|
||
import (
|
||
"fmt"
|
||
"github.com/blevesearch/bleve"
|
||
_ "github.com/wangbin/jiebago/analyse/tokenizers"
|
||
"log"
|
||
)
|
||
|
||
func main() {
|
||
// open a new index
|
||
indexMapping := bleve.NewIndexMapping()
|
||
|
||
err := indexMapping.AddCustomTokenizer("jieba",
|
||
map[string]interface{}{
|
||
"file": "/Users/wangbin/mygo/src/github.com/wangbin/jiebago/dict.txt",
|
||
"type": "jieba",
|
||
})
|
||
if err != nil {
|
||
log.Fatal(err)
|
||
}
|
||
|
||
err = indexMapping.AddCustomAnalyzer("jieba",
|
||
map[string]interface{}{
|
||
"type": "custom",
|
||
"tokenizer": "jieba",
|
||
"token_filters": []string{
|
||
"possessive_en",
|
||
"to_lower",
|
||
"stop_en",
|
||
},
|
||
})
|
||
|
||
if err != nil {
|
||
log.Fatal(err)
|
||
}
|
||
|
||
indexMapping.DefaultAnalyzer = "jieba"
|
||
|
||
index, err := bleve.New("example.bleve", indexMapping)
|
||
|
||
if err != nil {
|
||
log.Fatal(err)
|
||
}
|
||
|
||
indexMapping.DefaultAnalyzer = "jieba"
|
||
|
||
index, err := bleve.New("example.bleve", indexMapping)
|
||
|
||
if err != nil {
|
||
log.Fatal(err)
|
||
}
|
||
|
||
docs := []struct {
|
||
Title string
|
||
Name string
|
||
}{
|
||
{
|
||
Title: "Doc 1",
|
||
Name: "This is the first document we’ve added",
|
||
},
|
||
{
|
||
Title: "Doc 2",
|
||
Name: "The second one 你 中文测试中文 is even more interesting! 吃水果",
|
||
},
|
||
{
|
||
Title: "Doc 3",
|
||
Name: "买水果然后来世博园。",
|
||
},
|
||
{
|
||
Title: "Doc 4",
|
||
Name: "工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作",
|
||
},
|
||
{
|
||
Title: "Doc 5",
|
||
Name: "咱俩交换一下吧。",
|
||
},
|
||
}
|
||
// index docs
|
||
for _, doc := range docs {
|
||
index.Index(doc.Title, doc)
|
||
}
|
||
|
||
// search for some text
|
||
for _, keyword := range []string{"水果世博园", "你", "first", "中文", "交换机", "交换"} {
|
||
query := bleve.NewMatchQuery(keyword)
|
||
search := bleve.NewSearchRequest(query)
|
||
search.Highlight = bleve.NewHighlight()
|
||
searchResults, err := index.Search(search)
|
||
if err != nil {
|
||
log.Fatal(err)
|
||
}
|
||
fmt.Printf("Result of %s: %s\n", keyword, searchResults)
|
||
}
|
||
}
|
||
```
|
||
输出结果：
|
||
|
||
```
|
||
Result of 水果世博园: 2 matches, showing 1 through 2, took 377.988µs
|
||
1. Doc 3 (1.099550)
|
||
Name
|
||
买<span class="highlight">水果</span>然后来<span class="highlight">世博</span>园。
|
||
2. Doc 2 (0.031941)
|
||
Name
|
||
The second one 你 中文测试中文 is even more interesting! 吃<span class="highlight">水果</span>
|
||
|
||
Result of 你: 1 matches, showing 1 through 1, took 103.367µs
|
||
1. Doc 2 (0.391161)
|
||
Name
|
||
The second one <span class="highlight">你</span> 中文测试中文 is even more interesting! 吃水果
|
||
|
||
Result of first: 1 matches, showing 1 through 1, took 373.317µs
|
||
1. Doc 1 (0.512150)
|
||
Name
|
||
This is the <span class="highlight">first</span> document we’ve added
|
||
|
||
Result of 中文: 1 matches, showing 1 through 1, took 106.433µs
|
||
1. Doc 2 (0.553186)
|
||
Name
|
||
The second one 你 <span class="highlight">中文</span>测试<span class="highlight">中文</span> is even more interesting! 吃水果
|
||
|
||
Result of 交换机: 2 matches, showing 1 through 2, took 188.235µs
|
||
1. Doc 4 (0.608495)
|
||
Name
|
||
工信处女干事每月经过下属科室都要亲口交代24口<span class="highlight">交换</span>机等技术性器件的安装工作
|
||
2. Doc 5 (0.086700)
|
||
Name
|
||
咱俩<span class="highlight">交换</span>一下吧。
|
||
|
||
Result of 交换: 2 matches, showing 1 through 2, took 148.822µs
|
||
1. Doc 5 (0.534158)
|
||
Name
|
||
咱俩<span class="highlight">交换</span>一下吧。
|
||
2. Doc 4 (0.296297)
|
||
Name
|
||
工信处女干事每月经过下属科室都要亲口交代24口<span class="highlight">交换</span>机等技术性器件的安装工作
|
||
```
|
||
|
||
## 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
|