THULAC（THU Lexical Analyzer for Chinese）是清华大学开发的一款中文词法分析工具，集成了分词和词性标注两大功能。THULAC 拥有强大的分词能力和高效的词性标注，适用于多种中文文本处理场景。该工具能够在保证高准确率的同时保持较快的处理速度，非常适合大规模中文数据处理。
🔨 THULAC 的特点
- 准确率高：在标准数据集（如 CTB5）上，分词 F1 值可达 97.3%，词性标注 F1 值为 92.9%。
- 处理速度快：同时进行分词和词性标注的速度为 300KB/s，只进行分词速度可达 1.3MB/s。
- 多种功能：支持分词、词性标注、文件分词、自定义词典、简繁转换等。
📦 安装与配置
1. 使用 pip 安装
直接通过 pip 安装：
pip install thulac
安装完成后，即可通过 import thulac 在 Python 中使用该工具。
2. 使用 GitHub 源码安装
可以通过 GitHub 下载源代码，并手动配置模型文件。安装步骤如下：
- 下载模型文件，并将其放入
thulac/models目录下。 - 安装依赖并测试。
克隆 GitHub 仓库：
git clone https://github.com/thunlp/THULAC-Python.git
♨️ 使用方法
THULAC 提供了分词和词性标注两种主要操作模式，并且可以通过不同参数进行自定义配置。
1. 分词与词性标注
以下是基本的使用方式：
import thulac # 默认模式：同时进行分词和词性标注
thu1 = thulac.thulac()
text = thu1.cut("我爱北京天安门", text=True)
print(text)
# 输出：我_r 爱_v 北京_ns 天安门_ns
2. 只进行分词（无词性标注）
# seg_only 模式：只进行分词，不进行词性标注
thu2 = thulac.thulac(seg_only=True)
text = thu2.cut("我爱北京天安门", text=True)
print(text)
# 输出：我 爱 北京 天安门
3. 使用自定义词典
用户可以通过传递 user_dict 参数使用自定义词典，从而增强特定领域的分词效果：
thu3 = thulac.thulac(user_dict="custom_dict.txt")
4. 参数详解
THULAC 的初始化支持多种参数，以适应不同的使用场景：
user_dict：指定用户词典的路径，提升分词精准度。
