菜鸟学IT之python词云初体验

作业来源：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2822

---

1. 下载一长篇中文小说。

2. 从文件读取待分析文本。

 txt = open(r'G:\aa\三体.txt', 'r', encoding='utf8').read()  # 打开三体小说文件
 jieba.load_userdict(r'G:\aa\three.txt')  # 读取三体小说词库

 Filess= open(r'G:\aa\stops_chinese.txt', 'r', encoding='utf8')  # 打开中文停用词表
 stops = Filess.read().split('\n')  # 以回车键作为标识符把停用词表放到stops列表中

3. 安装并使用jieba进行中文分词。

4. 更新词库，加入所分析对象的专业词汇。

• 首先下载你要搜索的txt文本
• 进入词库下载专业词库，参考词库下载地址：https://pinyin.sogou.com/dict/

 # -*- coding: utf-8 -*-
 import struct
 import os

 # 拼音表偏移，
 startPy = 0x1540;

 # 汉语词组表偏移
 startChinese = 0x2628;

 # 全局拼音表
 GPy_Table = {}

 # 解析结果
 # 元组(词频,拼音,中文词组)的列表

 # 原始字节码转为字符串
 def byte2str(data):
     pos = 0
     str = ''
     while pos < len(data):
         c = chr(struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0])
         if c != chr(0):
             str += c
         pos += 2
     return str

 # 获取拼音表
 def getPyTable(data):
     data = data[4:]
     pos = 0
     while pos < len(data):
         index = struct.unpack('H', bytes([data[pos],data[pos + 1]]))[0]
         pos += 2
         lenPy = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
         pos += 2
         py = byte2str(data[pos:pos + lenPy])

         GPy_Table[index] = py
         pos += lenPy

 # 获取一个词组的拼音
 def getWordPy(data):
     pos = 0
     ret = ''
     while pos < len(data):
         index = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
         ret += GPy_Table[index]
         pos += 2
     return ret

 # 读取中文表
 def getChinese(data):
     GTable = []
     pos = 0
     while pos < len(data):
         # 同音词数量
         same = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]

         # 拼音索引表长度
         pos += 2
         py_table_len = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]

         # 拼音索引表
         pos += 2
         py = getWordPy(data[pos: pos + py_table_len])

         # 中文词组
         pos += py_table_len
         for i in range(same):
             # 中文词组长度
             c_len = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
             # 中文词组
             pos += 2
             word = byte2str(data[pos: pos + c_len])
             # 扩展数据长度
             pos += c_len
             ext_len = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
             # 词频
             pos += 2
             count = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]

             # 保存
             GTable.append((count, py, word))

             # 到下个词的偏移位置
             pos += ext_len
     return GTable

 def scel2txt(file_name):
     print('-' * 60)
     with open(file_name, 'rb') as f:
         data = f.read()

     print("词库名：", byte2str(data[0x130:0x338])) # .encode('GB18030')
     print("词库类型：", byte2str(data[0x338:0x540]))
     print("描述信息：", byte2str(data[0x540:0xd40]))
     print("词库示例：", byte2str(data[0xd40:startPy]))

     getPyTable(data[startPy:startChinese])
     getChinese(data[startChinese:])
     return getChinese(data[startChinese:])

 if __name__ == '__main__':
     # scel所在文件夹路径
     in_path = r"C:\Users\Administrator\Downloads"   #修改为你的词库文件存放文件夹
     # 输出词典所在文件夹路径
     out_path = r"C:\Users\Administrator\Downloads\text"  # 转换之后文件存放文件夹
     fin = [fname for fname in os.listdir(in_path) if fname[-5:] == ".scel"]
     for f in fin:
         try:
             for word in scel2txt(os.path.join(in_path, f)):
                 file_path=(os.path.join(out_path, str(f).split('.')[0] + '.txt'))
                 # 保存结果
                 with open(file_path,'a+',encoding='utf-8')as file:
                     file.write(word[2] + '\n')
             os.remove(os.path.join(in_path, f))
         except Exception as e:
             print(e)
             pass

5. 生成词频统计

 # 统计词频次数
 for word in tokens:
     if len(word) == 1:
         continue
     else:
         wcdict[word] = wcdict.get(word, 0) + 1

6. 排序

 # 词频排序
 wcls = list(wcdict.items())
 wcls.sort(key=lambda x: x[1], reverse=True)

7. 排除语法型词汇，代词、冠词、连词等停用词。

 Filess= open(r'G:\aa\stops_chinese.txt', 'r', encoding='utf8')  # 打开中文停用词表
 stops = Filess.read().split('\n')  # 以回车键作为标识符把停用词表放到stops列表中

 tokens=[token for token in wordsls if token not in stops]
 print("过滤后中文内容对比:",len(tokens), len(wordsls))

8. 输出词频最大TOP20，把结果存放到文件里

 # 打印前25词频最高的中文
 for i in range(25):
     print(wcls[i])

 # 存储过滤后的文本
 pd.DataFrame(wcls).to_csv('three.csv', encoding='utf-8')

 # 读取csv词云
 txt = open('three.csv', 'r', encoding='utf-8').read()

9. 生成词云。

 # 读取csv词云
 txt = open('three.csv', 'r', encoding='utf-8').read()

 # 用空格键隔开文本并把它弄进列表中
 cut_text = "".join(jieba.lcut(txt))
 mywc = WordCloud().generate(cut_text)

 plt.imshow(mywc)
 plt.axis("off")
 plt.show()

默认形状：

修改背景：

源码：https://github.com/JGaoLin/python_chinese_word