长沙县建设局网站,WordPress对段落美化,网页制作软件免费版下载,免费的asp网站因为词云有利于体现文本信息#xff0c;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#xff0c;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
# Auth… 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: PyCharmimport requests
import json
import pymysqlheader {Accept-Encoding:gzip, deflate,Accept-Language:zh-CN,zh;q0.9,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_yesoffset{0}startTime{1}%2010%3A16%3A18.format(num, startTime)num 15if num 1005:num 0print(url)reslut requests.get(urlurl, headersheader)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(dictionaryDEFAULT_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 1 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.ttf2 3 width : int (default400) //输出的画布宽度默认为400像素4 5 height : int (default200) //输出的画布高度默认为200像素6 7 prefer_horizontal : float (default0.90) //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 8 9 mask : nd-array or None (defaultNone) //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。
10
11 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)
12
13 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。
14
15 scale : float (default1) //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。
16
17 min_font_size : int (default4) //显示的最小的字体大小
18
19 font_step : int (default1) //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。
20
21 max_words : number (default200) //要显示的词的最大个数
22
23 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
24
25 background_color : color value (default”black”) //背景颜色如
26
27 background_colorwhite,背景颜色为白色。
28
29 max_font_size : int or None (defaultNone) //显示的最大的字体大小
30
31 mode : string (default”RGB”) //当参数为“RGBA”并且
32
33 background_color不为空时背景为透明。
34
35 relative_scaling : float (default.5) //词频和字体大小的关联性
36
37 color_func : callable, defaultNone //生成新颜色的函数如果为空则使用 self.color_func
38
39 regexp : string or None (optional) //使用正则表达式分隔输入的文本
40
41 collocations : bool, defaultTrue //是否包括两个词的搭配
42
43 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。
44
45 fit_words(frequencies) //根据词频生成词云【frequencies为字典类型】
46
47 generate(text) //根据文本生成词云
48
49 generate_from_frequencies(frequencies[, ...]) //根据词频生成词云
50
51 generate_from_text(text) //根据文本生成词云
52
53 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)
54
55 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。
56
57 to_array() //转化为 numpy array
58
59 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: PyCharmimport jieba
from wordcloud import WordCloud
import matplotlib.pyplot as plt
import numpy as np
from PIL import Image
import jieba.analysewith open(rC:\Users\songsa\Desktop\maoyan_comment.txt, r, encodingutf-8) as f: # 本地文本文档text f.read()
with open(rC:\Users\songsa\Desktop\tingyongci1.txt, r) as f: # 本地的停用词表tingyongci f.read()path rC:\Users\songsa\Desktop\xia.jpg # 本地的图片模板
font rC:\Users\songsa\Desktop\youyuan.TTF # 本地的字体中文分词要用text text.replace(,)
text text.replace(1,)
text text.replace(、,)
text text.replace(,)
text text.replace(.,)
text text.replace(。,)
str_list jieba.cut(text, HMMTrue) #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 wordoutstr 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_colorblack,maskimg_array,font_pathfont,# modeRGBA,max_words30 # 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(rC:\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, topK20, withWeightTrue): # 根据词频来获取关键词
# print(keyword)
new_outstr {}
for keyword in jieba.analyse.textrank(outstr, topK30, withWeightTrue): # 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_colorblack,maskimg_array,font_pathfont,# modeRGBA,max_words30 # 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(rC:\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 转载于:https://www.cnblogs.com/ss-py/p/9831503.html
