jieba3 1.0.2

“结巴 3”中文分词：做最好的 Modern Python 3 中文分词组件

jieba3

“结巴 3”中文分词：做最好的 Modern Python 3 中文分词组件

与 jieba 的区别

jieba3 是 jieba 分词模块的 Modern Python 3 重构版本

• 删除 Python 2 兼容代码，支持 type hints 等 Modern Python 3 特性
• 重构分词模块，在纯 Python 实现前提下，提高约 20% 的性能，且与 jieba 分词结果对齐
• 暂不支持除分词外的其他 jieba 功能，如关键词提取、词性标注等

安装说明

jieba3 仅支持 Python 3.10+ 版本

pip install jieba3

算法

• 基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)
• 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
• 对于未登录词，采用了基于汉字成词能力的 HMM 模型，使用了 Viterbi 算法

主要功能

构建 jieba3.jieba3 分词器实例，支持以下参数：

• model: Literal["base", "small", "large"] = "base"
  • 分词模型选项，可选值为 small、base、large，默认为 base
  • base 模型是 jieba 提供的默认模型
  • small 模型是 jieba 提供的占用内存较小的模型
  • large 模型是 jieba 支持繁体分词更好的模型
• use_hmm: bool = True
  • 是否开启 HMM 新词发现，可选值为 True、False，默认为 True

示例如下：

import jieba3

tokenizer = jieba3.jieba3()  # 默认为 base 模型，开启 HMM 新词发现
tokenizer = jieba3.jieba3(model="small")  # 使用 small 模型
tokenizer = jieba3.jieba3(model="base")  # 使用 base 模型
tokenizer = jieba3.jieba3(model="large")  # 使用 large 模型
tokenizer = jieba3.jieba3(use_hmm=False)  # 关闭 HMM 新词发现
tokenizer = jieba3.jieba3(use_hmm=True)  # 开启 HMM 新词发现

文档模式

试图将句子最精确地切开，适合文档分析

当使用默认的 base 模型时，jieba3 文档模式与 jieba 精确模式的分词结果完全一致

import jieba3
import jieba

# 开启 HMM 新词发现

tokenizer = jieba3.jieba3()
tokenizer.cut_text("小明硕士毕业于中国科学院计算所")
# ["小明", "硕士", "毕业", "于", "中国科学院", "计算所"]

jieba.lcut("小明硕士毕业于中国科学院计算所")
# ["小明", "硕士", "毕业", "于", "中国科学院", "计算所"]

# 关闭 HMM 新词发现

tokenizer = jieba3.jieba3(use_hmm=False)
tokenizer.cut_text("小明硕士毕业于中国科学院计算所")
# ["小", "明", "硕士", "毕业", "于", "中国科学院", "计算所"]

jieba.lcut("小明硕士毕业于中国科学院计算所", HMM=False)
# ["小", "明", "硕士", "毕业", "于", "中国科学院", "计算所"]

查询模式

在文档模式的基础上，对长词再次切分，提高召回率，适合查询分析

当使用默认的 base 模型时，jieba3 查询模式与 jieba 搜索引擎模式的分词结果完全一致

import jieba3
import jieba

# 开启 HMM 新词发现

tokenizer = jieba3.jieba3()
tokenizer.cut_query("小明硕士毕业于中国科学院计算所")
# ["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"]

jieba.lcut_for_search("小明硕士毕业于中国科学院计算所")
# ["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"]

# 关闭 HMM 新词发现

tokenizer = jieba3.jieba3(use_hmm=False)
tokenizer.cut_query("小明硕士毕业于中国科学院计算所")
# ["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"]

jieba.lcut_for_search("小明硕士毕业于中国科学院计算所", HMM=False)
# ["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"]

性能测试

jieba3 均使用默认的 base 模型，与 jieba 的默认模型对比

测试环境：MacBookPro18,3，macOS 14.5，Apple M1 Pro @ 3.20 GHz，16 GB

SIGHAN Bakeoff 2005 测试集（逐行分词）

as_test.utf8（繁体）

模式	jieba 耗时	jieba 速度	jieba3 耗时	jieba3 速度	性能提升
文档模式（关闭 HMM）	0.26 秒	2.28 MB/s	0.20 秒	2.94 MB/s	22%
文档模式（开启 HMM）	0.60 秒	0.98 MB/s	0.48 秒	1.23 MB/s	20%
查询模式（关闭 HMM）	0.27 秒	2.17 MB/s	0.21 秒	2.79 MB/s	22%
查询模式（开启 HMM）	0.63 秒	0.93 MB/s	0.51 秒	1.15 MB/s	20%

cityu_test.utf8（繁体）

模式	jieba 耗时	jieba 速度	jieba3 耗时	jieba3 速度	性能提升
文档模式（关闭 HMM）	0.09 秒	2.22 MB/s	0.07 秒	2.87 MB/s	23%
文档模式（开启 HMM）	0.21 秒	0.93 MB/s	0.17 秒	1.16 MB/s	20%
查询模式（关闭 HMM）	0.09 秒	2.11 MB/s	0.07 秒	2.71 MB/s	22%
查询模式（开启 HMM）	0.21 秒	0.90 MB/s	0.17 秒	1.12 MB/s	20%

msr_test.utf8（简体）

模式	jieba 耗时	jieba 速度	jieba3 耗时	jieba3 速度	性能提升
文档模式（关闭 HMM）	0.26 秒	2.06 MB/s	0.20 秒	2.69 MB/s	24%
文档模式（开启 HMM）	0.30 秒	1.79 MB/s	0.24 秒	2.25 MB/s	20%
查询模式（关闭 HMM）	0.28 秒	1.91 MB/s	0.22 秒	2.47 MB/s	23%
查询模式（开启 HMM）	0.32 秒	1.67 MB/s	0.26 秒	2.08 MB/s	20%

pku_test.utf8（简体）

模式	jieba 耗时	jieba 速度	jieba3 耗时	jieba3 速度	性能提升
文档模式（关闭 HMM）	0.25 秒	1.91 MB/s	0.20 秒	2.48 MB/s	23%
文档模式（开启 HMM）	0.30 秒	1.64 MB/s	0.24 秒	2.04 MB/s	20%
查询模式（关闭 HMM）	0.26 秒	1.85 MB/s	0.20 秒	2.41 MB/s	23%
查询模式（开启 HMM）	0.33 秒	1.48 MB/s	0.27 秒	1.82 MB/s	19%

《围城》（全文分词）

模式	jieba 耗时	jieba 速度	jieba3 耗时	jieba3 速度	性能提升
文档模式（关闭 HMM）	0.35 秒	1.85 MB/s	0.28 秒	2.32 MB/s	20%
文档模式（开启 HMM）	0.51 秒	1.25 MB/s	0.42 秒	1.52 MB/s	18%
查询模式（关闭 HMM）	0.33 秒	1.93 MB/s	0.26 秒	2.45 MB/s	21%
查询模式（开启 HMM）	0.55 秒	1.17 MB/s	0.45 秒	1.42 MB/s	18%