因為詞云有利于體現(xiàn)文本信息，所以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，生成了詞云。

關(guān)于爬取影評的爬蟲大概長這個樣子(實際上是沒有爬完的):

#!/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: PyCharmimport requests import json import pymysqlheader = {'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 = 21conn = pymysql.connect('118.24.26.224','root','123456','cnblogs') cursor = conn.cursor()while True:startTime = '2018-{0}-{1}'.format(month, day)day += 1if day == 31:day = 1month = 10if day == 18:breakfor 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 += 15if num == 1005:num = 0print(url)reslut = requests.get(url=url, headers=header)data = json.loads(reslut.text)if data['total'] == 0:breakelse: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 = 0sql = """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()

在獲取到文本之后我們就可以開始下面的工作了。

先說一下總體流程：

　　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(jù)分割好的詞生成詞云

介紹一下jieba：

　　也叫“結(jié)巴”中文分詞，一個強大且完善的中文分詞組件，它對于許多語言都有實現(xiàn)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，將句子中所有可以成詞的詞語都掃描出來，速度快，但是不能解決歧義

　　　　　　?（3）搜索引擎模式，在精準模式基礎(chǔ)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授權(quán)協(xié)議

　　分詞功能：

　　　　jieba.cut方法接受三個參數(shù)：需要分割的字符串、cut_all 參數(shù)用來控制是否使用全模式， HMM參數(shù)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(shù)：需要分詞的字符串；是否使用 HMM 模型。該方法適合用于搜索引擎構(gòu)建倒排索引的分詞，粒度比較細

　　　　待分詞的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建議直接輸入 GBK 字符串，可能無法預料地錯誤解碼成 UTF-8

　　　　jieba.cut 以及 jieba.cut_for_search 返回的結(jié)構(gòu)都是一個可迭代的 generator，可以使用 for 循環(huán)來獲得分詞后得到的每一個詞語(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，可用于同時使用不同詞典。jieba.dt 為默認分詞器，所有全局分詞相關(guān)函數(shù)都是該分詞器的映射。

　　關(guān)鍵詞提取功能：

　　　　關(guān)鍵詞提取基于兩種算法：　TF-IDF 算法 與?TextRank 算法

　　　　（TF-IDF 算法）

　　　　　　

　　　　　　outstr 為待提取的文本

　　　　　　topK 為返回幾個詞頻最大的值

　　　　　　withWeight 為是否返回詞頻，默認為False

　　　　　　allowPOS 僅指定詞性的詞，默認為空，不篩選

　　　　　（TextRank 算法）

　　　　　　?

介紹一下wordcloud：

?　　wordcloud庫是基于Python的詞云生成器，支持py2與py3.

　　 wordcloud庫最重要的類：WordCloud類，這個類的屬性半酣了詞云生成過程中的各項相關(guān)參數(shù)，方法則包含了文本分析，慈云的生成，繪制等一系列函數(shù)。

　　屬性（22個）：　　

1 font_path : string //字體路徑，需要展現(xiàn)什么字體就把該字體路徑+后綴名寫上，如：font_path = '黑體.ttf' 2 3 width : int (default=400) //輸出的畫布寬度，默認為400像素 4 5 height : int (default=200) //輸出的畫布高度，默認為200像素 6 7 prefer_horizontal : float (default=0.90) //詞語水平方向排版出現(xiàn)的頻率，默認 0.9 （所以詞語垂直方向排版出現(xiàn)頻率為 0.1 ） 8 9 mask : nd-array or None (default=None) //如果參數(shù)為空，則使用二維遮罩繪制詞云。如果 mask 非空，設(shè)置的寬高值將被忽略，遮罩形狀被 mask 取代。 10 11 除全白（#FFFFFF）的部分將不會繪制，其余部分會用于繪制詞云。如：bg_pic = imread('讀取一張圖片.png')， 12 13 背景圖片的畫布一定要設(shè)置為白色（#FFFFFF），然后顯示的形狀為不是白色的其他顏色。可以用ps工具將自己要顯示的形狀復制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(shè)置為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，如果步長大于1，會加快運算但是可能導致結(jié)果出現(xiàn)較大的誤差。 20 21 max_words : number (default=200) //要顯示的詞的最大個數(shù) 22 23 stopwords : set of strings or None //設(shè)置需要屏蔽的詞，如果為空，則使用內(nèi)置的STOPWORDS 24 25 background_color : color value (default=”black”) //背景顏色，如 26 27 background_color='white',背景顏色為白色。 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(shù)為“RGBA”并且 32 33 background_color不為空時，背景為透明。 34 35 relative_scaling : float (default=.5) //詞頻和字體大小的關(guān)聯(lián)性 36 37 color_func : callable, default=None //生成新顏色的函數(shù)，如果為空，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(jù)詞頻生成詞云【frequencies，為字典類型】 46 47 generate(text) //根據(jù)文本生成詞云 48 49 generate_from_frequencies(frequencies[, ...]) //根據(jù)詞頻生成詞云 50 51 generate_from_text(text) //根據(jù)文本生成詞云 52 53 process_text(text) //將長文本分詞并去除屏蔽詞（此處指英語，中文分詞還是需要自己用別的庫先行實現(xiàn)，使用上面的 fit_words(frequencies) ） 54 55 recolor([random_state, color_func, colormap]) //對現(xiàn)有輸出重新著色。重新上色會比重新生成整個詞云快很多。 56 57 to_array() //轉(zhuǎn)化為 numpy array 58 59 to_file(filename) //輸出到文件

?

?

到這里jieba和wordcloud基本介紹就講完了，下面主要是代碼實現(xiàn)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）、加載詞云圖片模板、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提取詞云 # @File : jieba_wordcloud.py # @Software: PyCharmimport jieba from wordcloud import WordCloud import matplotlib.pyplot as plt import numpy as np from PIL import Image import jieba.analysewith 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'''加載停用詞表并去掉停用詞''' outstr = '' for word in str_list:if word not in tingyongci:if word != '\t':outstr += wordoutstr += ' '

這里的outstr就是分詞后用‘ ’拼接起來的一個一個詞云的字符串。

下面在生成詞云時時其實是有兩種方法的：一種時直接根據(jù)分好的詞來生成詞云（內(nèi)部自動提取關(guān)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(zhuǎn)換為數(shù)組 wc = WordCloud(background_color='black',mask=img_array,font_path=font,# mode='RGBA',max_words=30 # 提取的關(guān)鍵詞的最大個數(shù) ) wc.generate_from_text(outstr) # 根據(jù)切好的詞來繪制詞云圖，自動提取關(guān)鍵詞 # wc.generate_from_frequencies(new_outstr) # 根據(jù)給定的關(guān)鍵詞和詞頻（字典格式）來畫詞云圖 # plt.figure() # 創(chuàng)建一個畫圖窗口 plt.show() wc.to_file(r'C:\Users\songsa\Desktop\a.png')

另一種是先根據(jù)分割好的詞提取出關(guān)鍵詞，然后利用關(guān)鍵詞生成詞云，

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(jù)詞頻來獲取關(guān)鍵詞 # print(keyword) new_outstr = {} for keyword in jieba.analyse.textrank(outstr, topK=30, withWeight=True): # 根據(jù)權(quán)重來獲取關(guān)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(zhuǎn)換為數(shù)組 wc = WordCloud(background_color='black',mask=img_array,font_path=font,# mode='RGBA',max_words=30 # 提取的關(guān)鍵詞的最大個數(shù) ) # wc.generate_from_text(outstr) # 根據(jù)切好的詞來繪制詞云圖，自動提取關(guān)鍵詞 wc.generate_from_frequencies(new_outstr) # 根據(jù)給定的關(guān)鍵詞和詞頻（字典格式）來畫詞云圖 # plt.figure() # 創(chuàng)建一個畫圖窗口 plt.show() wc.to_file(r'C:\Users\songsa\Desktop\a.png')

但是這種方式還需要注意一點，就是選擇根據(jù)詞頻來提取關(guān)鍵詞還是根據(jù)權(quán)重來提取關(guān)鍵詞。

這樣的話，根據(jù)評論提取關(guān)鍵詞并生成詞云就成功了：

這是詞云模板圖片：

?

?

詞云圖片：

這里是我的停用詞表和字體文件：

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

想了解更多Python關(guān)于爬蟲、數(shù)據(jù)分析的內(nèi)容，歡迎大家關(guān)注我的微信公眾號：悟道Python

　　

?

轉(zhuǎn)載于:https://www.cnblogs.com/ss-py/p/9831503.html

總結(jié)

以上是生活随笔為你收集整理的使用jieba和wordcloud进行中文分词并生成《悲伤逆流成河》词云的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。