使用jieba和wordcloud進行中文分詞並生成《悲傷逆流成河》詞雲
因為詞雲有利於體現文字資訊,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,生成了詞雲。
關於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: 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()
在獲取到文字之後我們就可以開始下面的工作了。
先說一下總體流程:
獲取文字-->對文字進行處理,分詞(將完整的句子分割成一個一個的詞語)-->載入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片語件,它對於許多語言都有實現版,python版本同時支援py2和py3
jieba主要有一下幾個特性:
支援三種分詞模式:
(1)精準模式,將句子精確的分開,不會向字串中新增字詞,適合文字分析
(2) 全域性模式,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)搜尋引擎模式,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
支援繁體分詞
支援自定義詞典
MIT授權協議
分詞功能:
jieba.cut方法接受三個引數:需要分割的字串、cut_all 引數用來控制是否使用全模式, HMM引數用來控制是否使用NMM(隱馬爾科夫模型)
jieba.cut_for_search()接受兩個引數:需要分詞的字串;是否使用 HMM 模型。該方法適合用於搜尋引擎構建倒排索引的分詞,粒度比較細
待分詞的字串可以是 unicode 或 UTF-8 字串、GBK 字串。注意:不建議直接輸入 GBK 字串,可能無法預料地錯誤解碼成 UTF-8
jieba.cut 以及 jieba.cut_for_search 返回的結構都是一個可迭代的 generator,可以使用 for 迴圈來獲得分詞後得到的每一個詞語(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,可用於同時使用不同詞典。jieba.dt 為預設分詞器,所有全域性分詞相關函式都是該分詞器的對映。
關鍵詞提取功能:
關鍵詞提取基於兩種演算法: TF-IDF 演算法 與 TextRank 演算法
(TF-IDF 演算法)
outstr 為待提取的文字
topK 為返回幾個詞頻最大的值
withWeight 為是否返回詞頻,預設為False
allowPOS 僅指定詞性的詞,預設為空,不篩選
(TextRank 演算法)
介紹一下wordcloud:
wordcloud庫是基於Python的詞雲生成器,支援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中的各項相關引數,方法則包含了文字分析,慈雲的生成,繪製等一系列函式。
屬性(22個):
1 font_path : string //字型路徑,需要展現什麼字型就把該字型路徑+字尾名寫上,如:font_path = '黑體.ttf' 2 3 width : int (default=400) //輸出的畫布寬度,預設為400畫素 4 5 height : int (default=200) //輸出的畫布高度,預設為200畫素 6 7 prefer_horizontal : float (default=0.90) //詞語水平方向排版出現的頻率,預設 0.9 (所以詞語垂直方向排版出現頻率為 0.1 ) 8 9 mask : nd-array or None (default=None) //如果引數為空,則使用二維遮罩繪製詞雲。如果 mask 非空,設定的寬高值將被忽略,遮罩形狀被 mask 取代。 10 11 除全白(#FFFFFF)的部分將不會繪製,其餘部分會用於繪製詞雲。如:bg_pic = imread('讀取一張圖片.png'), 12 13 背景圖片的畫布一定要設定為白色(#FFFFFF),然後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複製到一個純白色的畫布上再儲存,就ok了。 14 15 scale : float (default=1) //按照比例進行放大畫布,如設定為1.5,則長和寬都是原來畫布的1.5倍。 16 17 min_font_size : int (default=4) //顯示的最小的字型大小 18 19 font_step : int (default=1) //字型步長,如果步長大於1,會加快運算但是可能導致結果出現較大的誤差。 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 //設定需要遮蔽的詞,如果為空,則使用內建的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) //顯示的最大的字型大小 30 31 mode : string (default=”RGB”) //當引數為“RGBA”並且 32 33 background_color不為空時,背景為透明。 34 35 relative_scaling : float (default=.5) //詞頻和字型大小的關聯性 36 37 color_func : callable, default=None //生成新顏色的函式,如果為空,則使用 self.color_func 38 39 regexp : string or None (optional) //使用正則表示式分隔輸入的文字 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) //根據詞頻生成詞雲【frequencies,為字典型別】 46 47 generate(text) //根據文字生成詞雲 48 49 generate_from_frequencies(frequencies[, ...]) //根據詞頻生成詞雲 50 51 generate_from_text(text) //根據文字生成詞雲 52 53 process_text(text) //將長文字分詞並去除遮蔽詞(此處指英語,中文分詞還是需要自己用別的庫先行實現,使用上面的 fit_words(frequencies) ) 54 55 recolor([random_state, color_func, colormap]) //對現有輸出重新著色。重新上色會比重新生成整個詞雲快很多。 56 57 to_array() //轉化為 numpy array 58 59 to_file(filename) //輸出到檔案
到這裡jieba和wordcloud基本介紹就講完了,下面主要是程式碼實現部分:
載入模組、讀取本地文件、載入停用詞表、載入字型(中文分詞必須使用)、載入詞雲圖片模板、對文件的處理
#!/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: # 本地文字文件 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' # 本地的字型(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 '''載入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 += ' '
這裡的outstr就是分詞後用‘ ’拼接起來的一個一個詞雲的字串。
下面在生成詞雲時時其實是有兩種方法的: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) # 開啟圖片 img_array = np.array(img) # 將圖片轉換為陣列 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() # 建立一個畫圖視窗 plt.show() wc.to_file(r'C:\Users\songsa\Desktop\a.png')
另一種是先根據分割好的詞提取出關鍵詞,然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) # 開啟圖片 img_array = np.array(img) # 將圖片轉換為陣列 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() # 建立一個畫圖視窗 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,就是選擇根據詞頻來提取關鍵詞還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:
這裡是我的停用詞表和字型檔案:
連結:https://pan.baidu.com/s/1U_9F0ux1voc4kX8l4UFRIw 提取碼:r64t