基于 python 对文本做分词、生成词云图

2021-01-02
1313

为何选 python

Python 是一种易于学习又功能强大的编程语言。它优雅的语法和动态类型,以及解释型语言的本质,使它成为多数平台上写脚本,以及快速开发应用的理想语言。此外,Python 具有丰富强大的功能库,可以直接加以引用,省却很多工作量。

大致思路

假如已经获得文本,只需进行以下步骤即可:

  1. 对指定文本,基于 jieba 进行分词,得到词汇列表;
  2. 对所得词汇列表进行计数,获得高频词汇列表(过滤排除、由高到低排序);
  3. 根据排序后的高频词汇列表,取前 N(100)条,拼接为字符串;
  4. 依据拼接后字符串,基于 wordcloud、image 功能库生成词云图;

具体实现

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
# gen-wordcloud-img.py
import jieba
import wordcloud
import PIL.Image as image
import numpy as np
 
relative_path = './wordcloud/'
target_path = 'target.txt'
 
defget_jieba_words():
content_str = open(relative_path + target_path, 'r', encoding='utf-8').read()
return jieba.lcut(content_str)
 
defget_high_frequency_word(param_list):
exclude_words_list = ['我们', '你们', '可以']
counts_dict = {}
for word in param_list:
if len(word) == 1:
continue
else:
is_word_exist = False
for ex_word in exclude_words_list:
if ex_word in word:
is_word_exist = True
ifnot is_word_exist:
ifnot word.isdigit():
count = counts_dict.get(word, 0) + 1
counts_dict[word] = count
return sorted(counts_dict.items(), key=lambda x: x[1], reverse=True)
 
defget_cloud_words(param_list):
result_str = ''
for item in param_list[0:100]:
occur_count = item[1]
for _ in range(occur_count):
result_str = result_str + ' ' + item[0]
return result_str
 
defgen_and_save_wordcloud_img(param_str):
mask = np.array(image.open(relative_path + "style.jpg"))
wc = wordcloud.WordCloud(width=1430, height=646, background_color="rgba(255, 255, 255, 0)",
mode="RGBA", font_path=relative_path + 'MSYH.TTC', collocations=False, max_words=100, mask=mask)
# 调用词云对象的 generate 方法,将文本传入
wc.generate(param_str)
# 将生成的词云以图片文件格式,保存在当前目录
wc.to_file(relative_path + 'output-result.png')
 
jieba_words_list = get_jieba_words()
print('所获得 jieba 分词个数为:', len(jieba_words_list))
 
high_frequency_word_list = get_high_frequency_word(jieba_words_list)
print('所得高频分词前 100 分别是:', high_frequency_word_list[0:100])
 
cloud_words_str = get_cloud_words(high_frequency_word_list)
gen_and_save_wordcloud_img(cloud_words_str)
print('已成功生成「词云图」并保存在当前目录.')

以上,便是全部代码实现;倘若真正使用,请参考 play-with-python @wordcloud。这是因为在生成词云图,支持自定义背景图片、以及宽高、字体、背景色等;由此用到了指定的图片和字体。

如何使用

此代码片段基于 python3 运行,如果本机器 python 环境默认为 python3,则可以直接基于 pip、python 来运行命令。在个人本机上,一些 Web 开发工具仍依赖于 python2.6 ,也就未将 python3 修改默认环境。

安装依赖

1
pip3 install wordcloud jieba numpy

一键调用

1
2
3
python3 gen-wordcloud-img.py
# OR
python gen-wordcloud-img.py

具体效果

个人很喜欢王小波先生、路遥先生。对王小波的杂文《工作与人生》,以及路遥先生的《早晨从中午开始》,基于这段脚本做下处理,来看下具体效果。

王小波《工作与人生》前 100 高频词汇词云图:


路遥先生《早晨从中午开始》前 100 高频词汇词云图:

转载时必须以链接形式注明原始出处及本声明

扫描关注公众号