使用jieba和wordcloud進行中文分詞並生成《悲傷逆流成河》詞雲

由於詞雲有利於體現文本信息，因此我就將那天無聊時爬取的《悲傷逆流成河》的評論處理了一下，生成了詞雲。

關於爬取影評的爬蟲大概長這個樣子(其實是沒有爬完的):

#!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2018/10/15 16:34 # @Author : Sa.Song # @Desc : 爬取買貓眼電影悲傷逆流成河的評論 # @File : maoyan_BS.py # @Software: PyCharm

import requests import json import pymysql header = { 'Accept-Encoding':'gzip, deflate', 'Accept-Language':'zh-CN,zh;q=0.9', 'Connection':'keep-alive', 'Host':'m.maoyan.com', 'Referer':'http://m.maoyan.com/movie/1217236/comments?_v_=yes', 'User-Agent':'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Mobile Safari/537.36' } num = 0 month = 9 day = 21 conn = pymysql.connect('118.24.26.224','root','123456','cnblogs') cursor = conn.cursor() while True: startTime = '2018-{0}-{1}'.format(month, day) day += 1
    if day == 31: day = 1 month = 10
    if day == 18: break

    for i in range(67): url = 'http://m.maoyan.com/mmdb/comments/movie/1217236.json?_v_=yes&offset={0}&startTime={1}%2010%3A16%3A18'.format(num, startTime) num += 15
        if num == 1005: num = 0 print(url) reslut = requests.get(url=url, headers=header) data = json.loads(reslut.text) if data['total'] == 0: break
        else: message = data['cmts'] for i in message: name = i.get('nickName') sex = i.get('gender') city = i.get('cityName') user_grade = i.get('userLevel') score = i.get('score') content = i.get('content') time = i.get('startTime') if not sex: sex = 0 sql = """insert into maoyan_comment(name,sex,city,user_grade,score,content,time) values("{0}","{1}","{2}","{3}","{4}","{5}","{6}")"""\ .format(name,sex,city,user_grade,score,pymysql.escape_string(content),time) cursor.execute(sql) print(content) print(time) print('--------------------------------------------------------------------->') conn.commit()

在獲取到文本以後咱們就能夠開始下面的工做了。

先說一下整體流程：

　　獲取文本-->對文本進行處理，分詞（將完整的句子分割成一個一個的詞語）-->加載停用詞表剔除掉廢詞，無用詞（如語氣詞等）-->根據分割好的詞生成詞雲

介紹一下jieba：

　　也叫「結巴」中文分詞，一個強大且完善的中文分詞組件，它對於許多語言都有實現版，python版本同時支持py2和py3

　　jieba主要有一下幾個特性：

　　　　支持三種分詞模式：

　　　　　　（1）精準模式，將句子精確的分開，不會向字符串中添加字詞，適合文本分析　　

　　　　　　　(2) 全局模式，將句子中全部能夠成詞的詞語都掃描出來，速度快，可是不能解決歧義

　　　　　　 （3）搜索引擎模式，在精準模式基礎上，對長詞進行再分割，使用隱馬爾科夫模型

　　　　支持繁體分詞

　　　　支持自定義詞典

　　　　MIT受權協議

　　分詞功能：

　　　　jieba.cut方法接受三個參數：須要分割的字符串、cut_all 參數用來控制是否使用全模式， HMM參數用來控制是否使用NMM（隱馬爾科夫模型）

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

　　　　待分詞的字符串能夠是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建議直接輸入 GBK 字符串，可能沒法預料地錯誤解碼成 UTF-8

　　　　jieba.cut 以及 jieba.cut_for_search 返回的結構都是一個可迭代的 generator，可使用 for 循環來得到分詞後獲得的每個詞語(unicode)，或者用jieba.lcut 以及 　　　　　　　　jieba.lcut_for_search 直接返回 list

　　　　jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定義分詞器，可用於同時使用不一樣詞典。jieba.dt 爲默認分詞器，全部全局分詞相關函數都是該分詞器的映射。

　　關鍵詞提取功能：

　　　　關鍵詞提取基於兩種算法：　TF-IDF 算法 與 TextRank 算法

　　　　（TF-IDF 算法）

　　　　　　

　　　　　　outstr 爲待提取的文本

　　　　　　topK 爲返回幾個詞頻最大的值

　　　　　　withWeight 爲是否返回詞頻，默認爲False

　　　　　　allowPOS 僅指定詞性的詞，默認爲空，不篩選

　　　　　（TextRank 算法）

　　　　　　 

介紹一下wordcloud：

 　　wordcloud庫是基於Python的詞雲生成器，支持py2與py3.

　　 wordcloud庫最重要的類：WordCloud類，這個類的屬性半酣了詞雲生成過程當中的各項相關參數，方法則包含了文本分析，慈雲的生成，繪製等一系列函數。

　　屬性（22個）：　　

 1 font_path : string //字體路徑，須要展示什麼字體就把該字體路徑+後綴名寫上，如：font_path = '黑體.ttf'
 2 
 3 width : int (default=400) //輸出的畫布寬度，默認爲400像素  4 
 5 height : int (default=200) //輸出的畫布高度，默認爲200像素  6 
 7 prefer_horizontal : float (default=0.90) //詞語水平方向排版出現的頻率，默認 0.9 （因此詞語垂直方向排版出現頻率爲 0.1 ）  8 
 9 mask : nd-array or None (default=None) //若是參數爲空，則使用二維遮罩繪製詞雲。若是 mask 非空，設置的寬高值將被忽略，遮罩形狀被 mask 取代。 10 
11 除全白（#FFFFFF）的部分將不會繪製，其他部分會用於繪製詞雲。如：bg_pic = imread('讀取一張圖片.png')，
12 
13 背景圖片的畫布必定要設置爲白色（#FFFFFF），而後顯示的形狀爲不是白色的其餘顏色。能夠用ps工具將本身要顯示的形狀複製到一個純白色的畫布上再保存，就ok了。
14 
15 scale : float (default=1) //按照比例進行放大畫布，如設置爲1.5，則長和寬都是原來畫布的1.5倍。 16 
17 min_font_size : int (default=4) //顯示的最小的字體大小 18 
19 font_step : int (default=1) //字體步長，若是步長大於1，會加快運算可是可能致使結果出現較大的偏差。 20 
21 max_words : number (default=200) //要顯示的詞的最大個數 22 
23 stopwords : set of strings or None //設置須要屏蔽的詞，若是爲空，則使用內置的STOPWORDS 24 
25 background_color : color value (default=」black」) //背景顏色，如 26 
27 background_color='white',背景顏色爲白色。 28 
29 max_font_size : int or None (default=None) //顯示的最大的字體大小 30 
31 mode : string (default=」RGB」) //當參數爲「RGBA」而且 32 
33 background_color不爲空時，背景爲透明。 34 
35 relative_scaling : float (default=.5) //詞頻和字體大小的關聯性 36 
37 color_func : callable, default=None //生成新顏色的函數，若是爲空，則使用 self.color_func 38 
39 regexp : string or None (optional) //使用正則表達式分隔輸入的文本 40 
41 collocations : bool, default=True //是否包括兩個詞的搭配 42 
43 colormap : string or matplotlib colormap, default=」viridis」 //給每一個單詞隨機分配顏色，若指定color_func，則忽略該方法。 44 
45 fit_words(frequencies) //根據詞頻生成詞雲【frequencies，爲字典類型】 46 
47 generate(text) //根據文本生成詞雲 48 
49 generate_from_frequencies(frequencies[, ...]) //根據詞頻生成詞雲 50 
51 generate_from_text(text) //根據文本生成詞雲 52 
53 process_text(text) //將長文本分詞並去除屏蔽詞（此處指英語，中文分詞仍是須要本身用別的庫先行實現，使用上面的 fit_words(frequencies) ） 54 
55 recolor([random_state, color_func, colormap]) //對現有輸出從新着色。從新上色會比從新生成整個詞雲快不少。 56 
57 to_array() //轉化爲 numpy array 58 
59 to_file(filename) //輸出到文件

 

 

到這裏jieba和wordcloud基本介紹就講完了，下面主要是代碼實現部分：

加載模塊、讀取本地文檔、加載停用詞表、加載字體（中文分詞必須使用）、加載詞雲圖片模板、對文檔的處理

#!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2018/10/22 9:17 # @Author : Sa.Song # @Desc : jieba分詞與wordcloud提取詞雲 # @File : jieba_wordcloud.py # @Software: PyCharm

import jieba from wordcloud import WordCloud import matplotlib.pyplot as plt import numpy as np from PIL import Image import jieba.analyse with open(r'C:\Users\songsa\Desktop\maoyan_comment.txt', 'r', encoding='utf-8') as f:  # 本地文本文檔
    text = f.read() with open(r'C:\Users\songsa\Desktop\tingyongci1.txt', 'r') as f:  # 本地的停用詞表
    tingyongci = f.read() path = r'C:\Users\songsa\Desktop\xia.jpg'  # 本地的圖片模板
font = r'C:\Users\songsa\Desktop\youyuan.TTF'  # 本地的字體（中文分詞要用）
 text = text.replace('，','') text = text.replace('1','') text = text.replace('、','') text = text.replace('；','') text = text.replace('.','') text = text.replace('。','') str_list = jieba.cut(text, HMM=True) #使用精準模式來分詞

'''加載停用詞表並去掉停用詞''' outstr = ''
for word in str_list: if word not in tingyongci: if word != '\t': outstr += word outstr += ' '

這裏的outstr就是分詞後用‘ ’拼接起來的一個一個詞雲的字符串。

下面在生成詞雲時時實際上是有兩種方法的：一種時直接根據分好的詞來生成詞雲（內部自動提取關鍵詞）

使用的是它：  wc.generate_from_text(outstr)

img = Image.open(path)  # 打開圖片
img_array = np.array(img)  # 將圖片轉換爲數組
wc = WordCloud( background_color='black', mask=img_array, font_path=font, # mode='RGBA',
    max_words=30  # 提取的關鍵詞的最大個數
) wc.generate_from_text(outstr) # 根據切好的詞來繪製詞雲圖，自動提取關鍵詞 # wc.generate_from_frequencies(new_outstr) # 根據給定的關鍵詞和詞頻（字典格式）來畫詞雲圖 # plt.figure() # 建立一個畫圖窗口
plt.show() wc.to_file(r'C:\Users\songsa\Desktop\a.png')

另外一種是先根據分割好的詞提取出關鍵詞，而後利用關鍵詞生成詞雲，

使用的是它： wc.generate_from_frequencies(new_outstr)

# for keyword in jieba.analyse.extract_tags(outstr, topK=20, withWeight=True): # 根據詞頻來獲取關鍵詞 # print(keyword)
new_outstr = {} for keyword in jieba.analyse.textrank(outstr, topK=30, withWeight=True):  # 根據權重來獲取關鍵詞
    new_outstr[keyword[0]] = keyword[1] img = Image.open(path)  # 打開圖片
img_array = np.array(img)  # 將圖片轉換爲數組
wc = WordCloud( background_color='black', mask=img_array, font_path=font, # mode='RGBA',
    max_words=30  # 提取的關鍵詞的最大個數
) # wc.generate_from_text(outstr) # 根據切好的詞來繪製詞雲圖，自動提取關鍵詞
wc.generate_from_frequencies(new_outstr)  # 根據給定的關鍵詞和詞頻（字典格式）來畫詞雲圖 # plt.figure() # 建立一個畫圖窗口
plt.show() wc.to_file(r'C:\Users\songsa\Desktop\a.png')

可是這種方式還須要注意一點，就是選擇根據詞頻來提取關鍵詞仍是根據權重來提取關鍵詞。

這樣的話，根據評論提取關鍵詞並生成詞雲就成功了：

這是詞雲模板圖片：

 

 

詞雲圖片：

這裏是個人停用詞表和字體文件：

連接：https://pan.baidu.com/s/1U_9F0ux1voc4kX8l4UFRIw
提取碼：r64t

想了解更多Python關於爬蟲、數據分析的內容，歡迎你們關注個人微信公衆號：悟道Python