概述
有时候我们抓不到一些文章里面的重点，python里jieba库分词很好的为我们提供了一个好的解决方案。下面就讲一个实际使用的一个例子来说明。
首先，我们要将网页的内容请求并解析出来，下面是政府工作报告的路径：
www.gov.cn/premier/201…
利用request库的get(url)方法请求拿到响应的数据，发现报告文字内容大多在段落p标签中。可以引用BeautifulSoup的find_all()将p标签中所有标签拿到，再获取里面的内容。下面先封装一下：
def extract_text(url):
# 发送url请求并获取响应文件
page_source = requests.get(url).content
bs_source = BeautifulSoup(page_source, "lxml")
# 解析出所有的p标签
report_text = bs_source.find_all('p')
text = ''
# 将p标签里的所有内容都保存到一个字符串里
for p in report_text:
text += p.get_text()
text += '\n'
return text复制代码词云的使用
使用词云，首先得准备一张背景图片，这里使用了前面比较火的小猪佩奇的图片。
要读入图片，要使用matplotlib库中pyplot模块的imread()方法。
import matplotlib.pyplot as plt
back_img = plt.imread('/peiqi.jpg') # 方法里传入图片的路径复制代码下面介绍词云的基本使用：
cloud = WordCloud(font_path= '/simhei.ttf', # 若是有中文的话，这句代码必须添加，不然会出现方框，不出现汉字
background_color="white", # 背景颜色
max_words=5000, # 词云显示的最大词数
mask=back_img, # 设置背景图片
max_font_size=100, # 字体最大值
random_state=42,
width=360, height=591, margin=2, # 设置图片默认的大小,但是如果使用背景图片的话,保存的图片大小将会按照其大小保存,margin为词语边缘距离
)复制代码因为词云默认是不支持中文的，需要在网上搜索支持的字体，然后将下载好的字体simhei.ttf放在项目里面。
jieba分词
下面按jieba的精确分词模式将解析到的内容传入，并传入词云，生成图形。
for li in content:
comment_txt += ' '.join(jieba.cut(li, cut_all=False))
wc = cloud.generate(comment_txt)
image_colors = ImageColorGenerator(back_img)
plt.figure("wordc")
plt.imshow(wc.recolor(color_func=image_colors))
wc.to_file('2019年3月政府工作报告.png')复制代码下面是完整的代码：
import matplotlib.pyplot as plt
import jieba
import requests
from bs4 import BeautifulSoup
from wordcloud import WordCloud, ImageColorGenerator
def extract_text(url):
# 发送url请求并获取响应文件
page_source = requests.get(url).content
bs_source = BeautifulSoup(page_source, "lxml")
# 解析出所有的p标签
report_text = bs_source.find_all('p')
text = ''
# 将p标签里的所有内容都保存到一个字符串里
for p in report_text:
text += p.get_text()
text += '\n'
return text
def word_cloud(content):
comment_txt = ''
back_img = plt.imread('/peiqi.jpg')
cloud = WordCloud(font_path='/simhei.ttf', # 若是有中文的话，这句代码必须添加，不然会出现方框，不出现汉字
background_color="white", # 背景颜色
max_words=5000, # 词云显示的最大词数
mask=back_img, # 设置背景图片
max_font_size=100, # 字体最大值
random_state=42,
width=360, height=591, margin=2, # 设置图片默认的大小,但是如果使用背景图片的话,保存的图片大小将会按照其大小保存,margin为词语边缘距离
)
for li in content:
comment_txt += ' '.join(jieba.cut(li, cut_all=False))
wc = cloud.generate(comment_txt)
image_colors = ImageColorGenerator(back_img)
plt.figure("wordc")
plt.imshow(wc.recolor(color_func=image_colors))
wc.to_file('2019年3月政府工作报告.png')
if __name__ == "__main__":
url = 'http://www.gov.cn/premier/2019-03/16/content_5374314.htm'
text = extract_text(url)
word_cloud(text)复制代码用词云显示发现显示得并不太直观，下面用matplotlib的柱形图将前10关键词的数量显示出来。这里要重新优化一下词云的搜索。
from collections import Counter
import numpy as np
def word_frequency(text):
word_list = []
count_list = []
words = [word for word in jieba.cut(text, cut_all=True) if len(word) >= 2] # 返回所有分词后长度大于等于2 的词的列表
# Counter是一个简单的计数器，统计字符出现的个数
c = Counter(words)
for word_freq in c.most_common(10):
# c.most_common(10) 返回一个列表，里面每一个元素是一个元祖
word, freq = word_freq
word_list.append(word)
count_list.append(freq)
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
colors = ['#00FFFF', '#7FFFD4', '#F08080', '#90EE90', '#AFEEEE', '#98FB98', '#B0E0E6', '#00FF7F', '#FFFF00', '#9ACD32']
index = np.arange(10)
plt.bar(index, count_list, color=colors, width=0.5, align='center')
plt.xticks(np.arange(10), word_list) # 横坐轴标签
for x, y in enumerate(count_list):
# 在柱子上方1.2处标注值
plt.text(x, y + 1.2, '%s' % y, ha='center', fontsize=10)
plt.ylabel('出现次数') # 设置纵坐标标签
prov_title = '政府报告Top10关键词
' plt.title(prov_title) # 设置标题
plt.savefig('/政府报告Top10关键词.png') # 保存图片
# 显示
plt.show()复制代码这里用到了collections里的Counter将前10出现的词汇及次数统计出来，遍历出来分别放在两个列表里，然后设置在柱形图坐标轴上分别显示出来。显示效果如下：
将词云的代码换成上面的函数调用即可。
if __name__ == "__main__":
url = 'http://www.gov.cn/premier/2019-03/16/content_5374314.htm'
text = extract_text(url)
# word_cloud(text)
word_frequency(text)复制代码其实可视化方案可以采用pyecharts
pip install pyecharts复制代码代码修改如下：
def word_frequency(text):
# 返回所有分词后长度大于等于2 的词的列表
word_list = []
count_list = []
words = [word for word in jieba.cut(text, cut_all=True) if len(word) >= 2]
# Counter是一个简单的计数器，统计字符出现的个数
c = Counter(words)
for word_freq in c.most_common(10): # c.most_common(10)是列表里，里面每一个元素是一个元祖
word, freq = word_freq
word_list.append(word)
count_list.append(freq)
print(word, freq,sep = ':')
from pyecharts import options as opts
from pyecharts.charts import Pie
def pie_base() -> Pie:
c = (
Pie()
.add("", [list(z) for z in zip(word_list, count_list)])
.set_global_opts(title_opts=opts.TitleOpts(title="政府报告关键词"))
# .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
)
return c
pie_base().render('temp/政府报告关键词.html')复制代码pyecharts具有动态效果，显示效果比matplotlib更佳.