python 大批量文本分词 以及词频统计 （高效处理案例）

环境：python3.6

库：jieba，xlwt，xlwings，collections

 

前两天有个需求要对一张表里的中文语句进行分词，并统计每个词语出现的次数。

表格1231.xlsx大致内容如下：

由于表格内容过大，约有100W条数据，普通读取表格的方式效率非常慢，所以这次用的方法是xlwings，

xlwings是目前看来操作excel最快速、做的比较完善的一个库，优化很好，调用方式非常灵活。对读取大表格的有很高的效率

 

以下是完整的代码：

import jieba
import xlwt, xlrd
import xlwings as xw
from collections import Counter

# 定义一个空列表
all_word_list = []

# 分词
def trans_CN(text):
    # 接收分词的字符串
    word_list = jieba.cut(text)
    # 分词后在单独个体之间加上空格
    result = " ".join(word_list)
    # 转换成list
    result = result.split(" ")
    return result


# 判断词是否为中文
def is_Chinese(word):
    for ch in word:
        if '\u4e00' <= ch <= '\u9fff':
            return True
    return False


start_row = 2  # 处理Excel文件开始行
end_row = 1000000  # 处理Excel结束行

# 指定不显示地打开Excel，读取Excel文件
app = xw.App(visible=False, add_book=False)
wb = app.books.open(r"./1231.xlsx")  # 打开Excel文件
sheet = wb.sheets[9]  # 选择第0个表单


# 读取Excel表单前1000000行的数据，读取Excel表单前1000000行的数据
for row in range(start_row, end_row):
    print(row)
    row_str = str(row)
    # 循环中引用Excel的sheet和range的对象，读取C列的每一行的值
    content_text = sheet.range('C' + row_str).value
    # print(content_text)
    if not content_text:
        continue
    if not isinstance(content_text, str):
        continue
    # 长度小于4的语句 过滤
    if len(content_text) > 3:
        word_list = trans_CN(content_text)
        print("分词后", word_list)
        # 判断列表元素是否为中文，将非中文词移除
        for s in word_list:
            if not is_Chinese(s):
                word_list.remove(s)
        all_word_list += word_list

# 统计列表中元素出现的频率
counter = Counter(all_word_list)
print("统计频率完成")

# 将列表中的元素按照频率大小排序
result_list = sorted(counter.items(), key=lambda x: x[1], reverse=True)

# 将结果写入表格
print("开始写入表格")
myWorkbook = xlwt.Workbook()
mySheet = myWorkbook.add_sheet('Sheet1', cell_overwrite_ok=True)
rows = 0
for i in result_list:
    mySheet.write(rows, 0, i[0])
    mySheet.write(rows, 1, i[1])
    rows += 1
myWorkbook.save('result.xls')

# 保存并关闭Excel文件
wb.save()
wb.close()

运行完成后，保存为result.xls,查看结果:

A列为分词，B列为该词出现的次数