中文分词与词云绘制

中文分词与词云绘制

1.数据采集

数据来源，B站视频弹幕。

• 得到的结果是xml格式；使用正则表达式进行数据解析；

# -*- coding: utf-8 -*-
'''
@Time    : 2021/12/19 12:27
@Author  : ziqingbaojian
@File    : 01.爱意随风起.py
'''
import requests
import re


# B站接口apihttp://api.bilibili.com/x/v1/dm/list.so?oid=拼接视频id；
url="http://api.bilibili.com/x/v1/dm/list.so?oid=376189345"

def get_word(url):
    response=requests.get(url).text.encode('iso-8859-1').decode("utf8")
    ex="<d.*?>(.*?)</d>"
    datas=re.findall(ex,response,re.S)
    with open('a.txt','w',encoding='utf8')as fp:
        for li in datas:
            fp.write(li)
            fp.write('\n')
    print("记录完成")
if __name__ == '__main__':

    get_word(url)

2.jieba分词

2.1 安装

pip install jieba #安装jieba分词库

• 特点：

• 支持四种分词模式：jieba分词github官网

  • 精确模式 : 试图将句子最精确地切开，适合文本分析；
  • 全模式：把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；
  • 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。
  • paddle模式，利用PaddlePaddle深度学习框架，训练序列标注（双向GRU）网络模型实现分词。同时支持词性标注。paddle模式使用需安装paddlepaddle-tiny，pip install paddlepaddle-tiny==1.6.1。目前paddle模式支持jieba v0.40及以上版本。jieba v0.40以下版本，请升级jieba，pip install jieba --upgrade 。paddlepaddle官网

• 支持繁体分词

• 支持自定义词典

• MIT 授权协议

• 

2.2 使用

• jieba.cut 方法接受四个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用 HMM 模型；use_paddle 参数用来控制是否使用paddle模式下的分词模式，paddle模式采用延迟加载方式，通过enable_paddle接口安装paddlepaddle-tiny，并且import相关代码；

• jieba.cut_for_search 方法接受两个参数：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(dictionary=DEFAULT_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。

• 代码示例

• # -*- coding: utf-8 -*-
  import jieba
  seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
  print("返回值是对象",seg_list)
  print("Full Mode,全模式: " + "/ ".join(seg_list))  # 全模式
  
  seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
  print("Default Mode: 精确模式" + "/ ".join(seg_list))  # 精确模式
  
  seg_list = jieba.cut("他来到了网易杭研大厦")  # 默认是精确模式
  print("默认是精确模式",", ".join(seg_list))
  
  seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造")  # 搜索引擎模式
  print(", ".join(seg_list))
  # 注意图上没有标注搜索引擎模式
  

• 

2.3 载入词典

• 开发者可以指定自己自定义的词典，以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力，但是自行添加新词可以保证更高的正确率

• 用法： jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径

• 词典格式和 dict.txt 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file_name 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。

• 词频省略时使用自动计算的能保证分出该词的词频。

  词语	词频	词性
  创新办	3	i
  云计算	5	可省略
  台中	可省略	可省略

  例如

  创新办 3 i
  云计算 5
  凱特琳 nz
  台中

• 更改分词器（默认为 jieba.dt）的 tmp_dir 和 cache_file 属性，可分别指定缓存文件所在的文件夹及其文件名，用于受限的文件系统。

  • 
  • 使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。
  • 使用 suggest_freq(segment, tune=True) 可调节单个词语的词频，使其能（或不能）被分出来。
  • 注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。

# -*- coding: utf-8 -*-
'''
@Time    : 2021/12/20 15:10
@Author  : ziqingbaojian
@File    : 01.载入字典.py
'''

import jieba

# 载入字典文件
jieba.load_userdict("userdict.txt")
import jieba.posseg as pseg#导入词性分析

jieba.add_word('石墨烯')#动态想字典中加入分词
jieba.add_word('凱特琳')
jieba.del_word('自定义词')

test_sent = (
"李小福是创新办主任也是云计算方面的专家; 什么是八一双鹿\n"
"例如我输入一个带“韩玉赏鉴”的标题，在自定义词库中也增加了此词为N类\n"
"「台中」正確應該不會被切開。mac上可分出「石墨烯」；此時又可以分出來凱特琳了。"
)
words = jieba.cut(test_sent)
print('/'.join(words))

print("="*40)#分割线

result = pseg.cut(test_sent)

for w in result:
    print(w.word, "/", w.flag, ", ", end=' ')#end结束不换行

print("\n" + "="*40)

terms = jieba.cut('easy_install is great')
print('/'.join(terms))
terms = jieba.cut('python 的正则表达式是好用的')
print('/'.join(terms))

print("="*40)
# test frequency tune
testlist = [
('今天天气不错', ('今天', '天气')),
('如果放到post中将出错。', ('中', '将')),
('我们中出了一个叛徒', ('中', '出')),
]

for sent, seg in testlist:
    print('/'.join(jieba.cut(sent, HMM=False)))
    word = ''.join(seg)
    #获取词的词频，并进行修改分词的词频。
    print('%s Before: %s, After: %s' % (word, jieba.get_FREQ(word), jieba.suggest_freq(seg, True)))
    print('/'.join(jieba.cut(sent, HMM=False)))
    print("-"*40)

2.4 词性分析

# -*- coding: utf-8 -*-
'''
@Time    : 2021/12/20 15:12
@Author  : ziqingbaojian
@File    : 02.词性分析.py
'''
import jieba.posseg as posseg#导入该函数进行词性的分析

text = "征战四海只为今日一胜，我不会再败了。"
# generator形式形如pair(‘word’, ‘pos’)的结果
seg = posseg.cut(text)
print([se for se in seg])

# list形式的结果
seg = posseg.lcut(text)
print(seg)  

• 补充：cut与lcut的区别是返回值的不同，前者返回对象，后者返回列表。

标签	含义	标签	含义	标签	含义	标签	含义
n	普通名词	f	方位名词	s	处所名词	t	时间
nr	人名	ns	地名	nt	机构名	nw	作品名
nz	其他专名	v	普通动词	vd	动副词	vn	名动词
a	形容词	ad	副形词	an	名形词	d	副词
m	数量词	q	量词	r	代词	p	介词
c	连词	u	助词	xc	其他虚词	w	标点符号
PER	人名	LOC	地名	ORG	机构名	TIME	时间

2.5 关键字提取

2.5.1 基于 TF-IDF 算法的关键词抽取

import jieba.analyse

• jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
  • sentence 为待提取的文本
  • topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20
  • withWeight 为是否一并返回关键词权重值，默认值为 False
  • allowPOS 仅包括指定词性的词，默认值为空，即不筛选
• jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件

2.5.2基于 TextRank 算法的关键词抽取

• jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) 直接使用，接口相同，注意默认过滤词性。
• jieba.analyse.TextRank() 新建自定义 TextRank 实例。

# -*- coding: utf-8 -*-
'''
@Time    : 2021/12/20 15:43
@Author  : ziqingbaojian
@File    : 03.关键字提取.py
'''
import jieba.analyse as analyse
text = "征战四海只为今日一胜，我不会再败了。"
# TF-IDF
tf_result = analyse.extract_tags(text, topK=5) # topK指定数量，默认20
print(tf_result)
# TextRank
tr_result = analyse.textrank(text, topK=5) # topK指定数量，默认20
print(tr_result)

3. 词云绘制

# -*- coding: utf-8 -*-
'''
@Time    : 2021/12/19 12:50
@Author  : ziqingbaojian
@File    : 03.绘制词云图.py
'''
from pyecharts import options as opts
from pyecharts.charts import Page,WordCloud
from pyecharts.globals import SymbolType
import jieba
from jieba import analyse


# 创建停用词
def stop_word_list():
    with open('stopwords.txt','r',encoding='UTF-8')as fp:
        stopword_list=fp.read()
    return stopword_list

def get_tfidf(outstr):
    ous="".join(outstr)
    jieba.analyse.set_stop_words('./stopwords.txt')
    tags= jieba.analyse.extract_tags(ous,topK=100,withWeight=True)
    dr_list=[]
    for v,n in tags:
        dr_list.append((v,str(int(n*10000))))
    return dr_list

def wordcloud_base(words) -> WordCloud:
    c = (
        WordCloud()
        .add("", words, word_size_range=[20, 100])
        .set_global_opts(title_opts=opts.TitleOpts(title="爱意随风起"))
    )
    return c


if __name__ == '__main__':
    with open('a.txt', 'r', encoding='utf-8') as fp:
        datas = fp.read()
    outsrt=get_tfidf(datas)
    wd=wordcloud_base(outsrt)
    wd.render("wordcloud.html")