使用jieba和wordcloud进行中文分词并生成《悲伤逆流成河》词云

因为词云有利于体现文本信息，所以我就将那天无聊时爬取的《悲伤逆流成河》的评论处理了一下，生成了词云。

关于爬取影评的爬虫大概长这个样子(实际上是没有爬完的):

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2018/10/15 16:34
# @Author  : Sa.Song
# @Desc    : 爬取买猫眼电影悲伤逆流成河的评论
# @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','','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()

在获取到文本之后我们就可以开始下面的工作了。

先说一下总体流程：

　　获取文本-->对文本进行处理，分词（将完整的句子分割成一个一个的词语）-->加载停用词表剔除掉废词，无用词（如语气词等）-->根据分割好的词生成词云

介绍一下jieba：

　　也叫“结巴”中文分词，一个强大且完善的中文分词组件，它对于许多语言都有实现版，python版本同时支持py2和py3

　　jieba主要有一下几个特性：

　　　　支持三种分词模式：

　　　　　　（1）精准模式，将句子精确的分开，不会向字符串中添加字词，适合文本分析　　

　　　　　　　(2) 全局模式，将句子中所有可以成词的词语都扫描出来，速度快，但是不能解决歧义

　　　　　　 （3）搜索引擎模式，在精准模式基础上，对长词进行再分割，使用隐马尔科夫模型

　　　　支持繁体分词

　　　　支持自定义词典

　　　　MIT授权协议

　　分词功能：

　　　　jieba.cut方法接受三个参数：需要分割的字符串、cut_all 参数用来控制是否使用全模式， HMM参数用来控制是否使用NMM（隐马尔科夫模型）

　　　　jieba.cut_for_search()接受两个参数：需要分词的字符串；是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细

　　　　待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8

　　　　jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator，可以使用 for 循环来获得分词后得到的每一个词语(unicode)，或者用jieba.lcut 以及 　　　　　　　　jieba.lcut_for_search 直接返回 list

　　　　jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器，可用于同时使用不同词典。jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。

　　关键词提取功能：

　　　　关键词提取基于两种算法：　TF-IDF 算法 与 TextRank 算法

　　　　（TF-IDF 算法）

　　　　　　

　　　　　　outstr 为待提取的文本

　　　　　　topK 为返回几个词频最大的值

　　　　　　withWeight 为是否返回词频，默认为False

　　　　　　allowPOS 仅指定词性的词，默认为空，不筛选

　　　　　（TextRank 算法）

　　　　　　 

介绍一下wordcloud：

　　wordcloud库是基于Python的词云生成器，支持py2与py3.

　　 wordcloud库最重要的类：WordCloud类，这个类的属性半酣了词云生成过程中的各项相关参数，方法则包含了文本分析，慈云的生成，绘制等一系列函数。

　　属性（22个）：　　

 font_path : string //字体路径，需要展现什么字体就把该字体路径+后缀名写上，如：font_path = '黑体.ttf'

 width : int (default=400) //输出的画布宽度，默认为400像素

 height : int (default=200) //输出的画布高度，默认为200像素

 prefer_horizontal : float (default=0.90) //词语水平方向排版出现的频率，默认 0.9 （所以词语垂直方向排版出现频率为 0.1 ）

 mask : nd-array or None (default=None) //如果参数为空，则使用二维遮罩绘制词云。如果 mask 非空，设置的宽高值将被忽略，遮罩形状被 mask 取代。

 除全白（#FFFFFF）的部分将不会绘制，其余部分会用于绘制词云。如：bg_pic = imread('读取一张图片.png')，

 背景图片的画布一定要设置为白色（#FFFFFF），然后显示的形状为不是白色的其他颜色。可以用ps工具将自己要显示的形状复制到一个纯白色的画布上再保存，就ok了。

 scale : float (default=1) //按照比例进行放大画布，如设置为1.5，则长和宽都是原来画布的1.5倍。

 min_font_size : int (default=4) //显示的最小的字体大小

 font_step : int (default=1) //字体步长，如果步长大于1，会加快运算但是可能导致结果出现较大的误差。

 max_words : number (default=200) //要显示的词的最大个数

 stopwords : set of strings or None //设置需要屏蔽的词，如果为空，则使用内置的STOPWORDS

 background_color : color value (default=”black”) //背景颜色，如

 background_color='white',背景颜色为白色。

 max_font_size : int or None (default=None) //显示的最大的字体大小

 mode : string (default=”RGB”) //当参数为“RGBA”并且

 background_color不为空时，背景为透明。

 relative_scaling : float (default=.5) //词频和字体大小的关联性

 color_func : callable, default=None //生成新颜色的函数，如果为空，则使用 self.color_func

 regexp : string or None (optional) //使用正则表达式分隔输入的文本

 collocations : bool, default=True //是否包括两个词的搭配

 colormap : string or matplotlib colormap, default=”viridis” //给每个单词随机分配颜色，若指定color_func，则忽略该方法。

 fit_words(frequencies) //根据词频生成词云【frequencies，为字典类型】

 generate(text) //根据文本生成词云

 generate_from_frequencies(frequencies[, ...]) //根据词频生成词云

 generate_from_text(text) //根据文本生成词云

 process_text(text) //将长文本分词并去除屏蔽词（此处指英语，中文分词还是需要自己用别的库先行实现，使用上面的 fit_words(frequencies) ）

 recolor([random_state, color_func, colormap]) //对现有输出重新着色。重新上色会比重新生成整个词云快很多。

 to_array() //转化为 numpy array

 to_file(filename) //输出到文件

到这里jieba和wordcloud基本介绍就讲完了，下面主要是代码实现部分：

加载模块、读取本地文档、加载停用词表、加载字体（中文分词必须使用）、加载词云图片模板、对文档的处理

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2018/10/22 9:17
# @Author  : Sa.Song
# @Desc    : jieba分词与wordcloud提取词云
# @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:  # 本地文本文档
    text = f.read()
with open(r'C:\Users\songsa\Desktop\tingyongci1.txt', 'r') as f:  # 本地的停用词表
    tingyongci = f.read()

path = r'C:\Users\songsa\Desktop\xia.jpg'  # 本地的图片模板
font = r'C:\Users\songsa\Desktop\youyuan.TTF'  # 本地的字体（中文分词要用）

text = text.replace('，','')
text = text.replace('','')
text = text.replace('、','')
text = text.replace('；','')
text = text.replace('.','')
text = text.replace('。','')
str_list = jieba.cut(text, HMM=True) #使用精准模式来分词

'''加载停用词表并去掉停用词'''
outstr = ''
for word in str_list:
    if word not in tingyongci:
        if word != '\t':
            outstr += word
            outstr += ' '

这里的outstr就是分词后用‘ ’拼接起来的一个一个词云的字符串。

下面在生成词云时时其实是有两种方法的：一种时直接根据分好的词来生成词云（内部自动提取关键词）

使用的是它：  wc.generate_from_text(outstr)

img = Image.open(path)  # 打开图片
img_array = np.array(img)  # 将图片转换为数组
wc = WordCloud(
    background_color='black',
    mask=img_array,
    font_path=font,
    # mode='RGBA',
    max_words=30  # 提取的关键词的最大个数
)
wc.generate_from_text(outstr)  # 根据切好的词来绘制词云图，自动提取关键词
# wc.generate_from_frequencies(new_outstr)  # 根据给定的关键词和词频（字典格式）来画词云图
# plt.figure()  # 创建一个画图窗口
plt.show()
wc.to_file(r'C:\Users\songsa\Desktop\a.png')

另一种是先根据分割好的词提取出关键词，然后利用关键词生成词云，

使用的是它： wc.generate_from_frequencies(new_outstr)

# for keyword in jieba.analyse.extract_tags(outstr, topK=20, withWeight=True):  # 根据词频来获取关键词
#     print(keyword)
new_outstr = {}
for keyword in jieba.analyse.textrank(outstr, topK=30, withWeight=True):  # 根据权重来获取关键词
    new_outstr[keyword[0]] = keyword[1]

img = Image.open(path)  # 打开图片
img_array = np.array(img)  # 将图片转换为数组
wc = WordCloud(
    background_color='black',
    mask=img_array,
    font_path=font,
    # mode='RGBA',
    max_words=30  # 提取的关键词的最大个数
)
# wc.generate_from_text(outstr)  # 根据切好的词来绘制词云图，自动提取关键词
wc.generate_from_frequencies(new_outstr)  # 根据给定的关键词和词频（字典格式）来画词云图
# plt.figure()  # 创建一个画图窗口
plt.show()
wc.to_file(r'C:\Users\songsa\Desktop\a.png')

但是这种方式还需要注意一点，就是选择根据词频来提取关键词还是根据权重来提取关键词。

这样的话，根据评论提取关键词并生成词云就成功了：

这是词云模板图片：

词云图片：

这里是我的停用词表和字体文件：

链接：https://pan.baidu.com/s/1U_9F0ux1voc4kX8l4UFRIw
提取码：r64t

想了解更多Python关于爬虫、数据分析的内容，欢迎大家关注我的微信公众号：悟道Python