8-R语言文本分析初探

加载相应R包

library(pacman)
p_load(jiebaR, wordcloud)
#根据默认参数建立分词引擎
wk <- worker()

读取hlm.txt文件

#编码很重要，编码不对文字是乱码
hlm <- read.table("C:\\Users\\Admin\\Documents\\R\\data_set\\hlm.txt", sep = "\t", head = F, colClasses = "character", encoding = "UTF-8")
head(hlm)
#随机查看其中一行
hlm[sample(nrow(hlm), 1, replace = T), "V1"]

[1] "　　闷来时敛额，行去几回头． "

文本分词

#分词
wds <- segment(hlm$V1, wk)
  wk <= hlm$V1
wds.1 <- unlist(wds)
#去掉空行
wds.1 <- wds[wds != " "]
#取字符长度介于2和6之间的词
wds.2 <- wds.1[nchar(wds.1) > 1 & nchar(wds.1) < 7]
#输出前25个高频词
wds.freq25 <- sort(table(wds.2), decreasing = T)[1:25]; wds.freq25
#绘制词云图
wordcloud(names(wds.freq25), wds.freq25, min.freq = 2, random.order = F, random.color = T)

词云

抓取“石头”相关内容，并输出第一段

st <- hlm$V1[grepl("石头", hlm$V1)]; st[1]

[1] "此开卷第一回也．作者自云：因曾历过一番梦幻之后，故将真事隐去，而借"通灵之说，撰此《石头记》一书也．故曰"甄士隐"云云．但书中所记何事何人？自又云：“今风尘碌碌，一事无成，忽念及当日所有之女子，一一细考较去，觉其行止见识，皆出于我之上．何我堂堂须眉，诚不若彼裙钗哉？实愧则有余，悔又无益之大无可如何之日也！当此，则自欲将已往所赖天恩祖德，锦衣纨绔之时，饫甘餍肥之日，背父兄教育之恩，负师友规谈之德，以至今日一技无成，半生潦倒之罪，编述一集，以告天下人：我之罪固不免，然闺阁中本自历历有人，万不可因我之不肖，自护己短，一并使其泯灭也．虽今日之茅椽蓬牖，瓦灶绳床，其晨夕风露，阶柳庭花，亦未有妨我之襟怀笔墨者．虽我未学，下笔无文，又何妨用假语村言，敷演出一段故事来，亦可使闺阁昭传，复可悦世之目，破人愁闷，不亦宜乎？故曰贾雨村"云云．……