用python给女朋友做一个歌曲词云图

今天咋们来看看网易云赵雷的歌曲歌词，并做一个词云图。这篇文章可以学习到什么是词云，爬虫的基本流程，简单的可视化操作

@

目录

• 一 什么是词云
• 二 制作词云的步骤
  • 1 第一步收集需要可视化的内容。
  • 2 安装词云库
  • 3 介绍下jieba中文库和下面会用到的wordcloud常用参数
  • 4 科比词云图制作测试代码1
• 三 案例 网易云歌手房东的猫词云图
  • 1 整体流程图
  • 2 爬取+词云制作

一 什么是词云

可视化有很多种，好的数据可视化，可以使得数据分析的结果更加通俗易通。"词云"属于可视化的一种，它会根据关键词的出现频率生成一幅图，这样可以让我们一眼就知道其主要要点。比如下面

二 制作词云的步骤

1 第一步收集需要可视化的内容。

内容可以是文章内容，当然也可以是爬虫的内容。这里我们先使用NAB球星科比的材料作为内容。

2 安装词云库

wordcloud,安装方法如下(前提是电脑已经有了python环境和一些基础库哟，建议可以装个Anaconda，这样就少了很多依赖包的麻烦哟)

• pip install wordcloud
• pip install jieba--------中文库，因为我想展示中文内容
• pip install PIL----------图像处理库
• pip install matplotlib-----图像展示库

3 介绍下jieba中文库和下面会用到的wordcloud常用参数

(1) jieba简介

• jieba中文库
  它是python中文分词组件，具有三种分词模式
  • 精确模式，试图将句子最精确的切开，比较适合文本分析
  • 全模式，把句子中所有可以成词的都扫描出来，速度很快，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进行再次切分，适合用于搜索引擎分词
• 支持繁体分词
• 支持自定义词典
• MIT授权协议

(2) jieba API

jieba.cut 接受三个参数
需要分词的字符串，可以是中文
- cut_all bollean类型的参数，用来控制是否采用全模式
- HMM参数用来控制是否采用HMM模型(隐马模型--后续进行相关学习）

jieba.cut_for_search 接受两个参数
需要分词的字符串，可以为中文
HMM参数用来控制是否采用HMM模型
它与jieba.cut 的最大区别就在于分词更加细腻，且会将全部的可能性输出，因此没有cut_all 参数

4 科比词云图制作测试代码1

#-*- coding:utf-8 -*
f='科比的职业生涯随湖人队5夺NBA总冠军（2000年-2002年、2009年-2010年）；
荣膺1次常规赛MVP（2007-08赛季），2次总决赛MVP（2009年-2010年），
4次全明星赛MVP（2002年、2007年、2009年与2011年），
与鲍勃·佩蒂特并列NBA历史第一；共18次入选NBA全明星阵容，15次入选NBA最佳阵容，12次入选NBA最佳防守阵容'

from wordcloud import WordCloud
import matplotlib.pyplot as plt
import jieba
from PIL import Image as image
import numpy as np

#生成词云
def create_word_cloud(f):
    print('根据词频计算词云')
    text = " ".join(jieba.cut(f,cut_all=False, HMM=True))

    wc = WordCloud(
        font_path="./SimHei.ttf",#设置字体 针对中文的情况需要设置中文字体，否则会乱码
        max_words=100,# 设置最大的字数
        width=2000,#设置画布的宽度
        height=1200,#设置画布的高度
    )
    wordcloud=wc.generate(text)
    #写词云图片
    wordcloud.to_file("wordcloud.jpg")
    #显示词云文件
    plt.imshow(wordcloud)
    plt.axis("off")
    plt.show()
create_word_cloud(f)
```python

结果显示：

三 案例 网易云歌手房东的猫词云图

1 整体流程图

2 爬取+词云制作

(1) 我们先查看网易云的歌词API接口需要什么常用接口。发现需要一个ID。所以第一步访问url进入歌手界面，寻找规律得出歌手ID。

• 进入歌手页面 歌手页面
  

• 点击赵雷歌曲页面 赵雷歌曲页面。这里可以多点击几个歌手，就会发现不同的歌手页面不同的地方在URL后面的ID不同，
  

• 点击歌手名字，进入歌手页面，选中热门50首中div的id属性
  

• 因为我们需要每首歌的歌词，所以需要寻找歌曲的歌词连接，通常为a标签，所以我们往下看，用xpath解析出所有的a标签
  

def get_songs(artist_id):
	page_url = 'https://music.163.com/artist?id=' + artist_id
	# 获取网页HTML
	res = requests.request('GET', page_url, headers=headers)
	# 用XPath解析 前50首热门歌曲
	html = etree.HTML(res.text)
	href_xpath = "//*[@id='hotsong-list']//a/@href"
	name_xpath = "//*[@id='hotsong-list']//a/text()"#获取
	hrefs = html.xpath(href_xpath)
	names = html.xpath(name_xpath)
	# 设置热门歌曲的ID，歌曲名称
	song_ids = []
	song_names = []
	for href, name in zip(hrefs, names):
		song_ids.append(href[9:])
		song_names.append(name)
		print(href, '  ', name)
	return song_ids, song_names

(2) 现在拼接我们的爬取歌词的url。http://music.163.com/api/song/lyric?os=pc&id=' + song_id + '&lv=-1&kv=-1&tv=-1'

# 获取每首歌歌词
for (song_id, song_name) in zip(song_ids, song_names):
	# 歌词API URL
	lyric_url = 'http://music.163.com/api/song/lyric?os=pc&id=' + song_id + '&lv=-1&kv=-1&tv=-1'
	lyric = get_song_lyric(headers, lyric_url)
	all_word = all_word + ' ' + lyric
	print(song_name)

(3) 去掉部分停用词比如作词，编曲等词语

# 去掉停用词
def remove_stop_words(f):
	stop_words = ['作词', '作曲', '编曲',  '人声', 'Vocal', '弦乐', 'Keyboard', '键盘', '编辑', '助理', 'Assistants', 'Mixing', 'Editing', 'Recording', '音乐', '制作', 'Producer', '发行', 'produced', 'and', 'distributed']
	for stop_word in stop_words:
		f = f.replace(stop_word, '')
	return f

(4)整体代码

import requests
import re
from wordcloud import WordCloud
import matplotlib.pyplot as plt
import jieba
import PIL.Image as image

from lxml import etree
headers = {
		'Referer'	:'http://music.163.com',
		'Host'	 	:'music.163.com',
		'Accept' 	:'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
		'User-Agent':'Chrome/10'
	}
# 得到某一首歌的歌词
def get_song_lyric(headers, lyric_url):
	res = requests.request('GET', lyric_url, headers=headers)
	if 'lrc' in res.json():
		lyric = res.json()['lrc']['lyric']
		new_lyric = re.sub(r'[d:.[]]','',lyric)#去掉[]中的数字信息
		return new_lyric
	else:
		return ''
		print(res.json())
# 去掉停用词
def remove_stop_words(f):
	stop_words = ['作词', '作曲', '编曲',  '人声', 'Vocal', '弦乐', 'Keyboard', '键盘', '编辑', '助理', 'Assistants', 'Mixing', 'Editing', 'Recording', '音乐', '制作', 'Producer', '发行', 'produced', 'and', 'distributed']
	for stop_word in stop_words:
		f = f.replace(stop_word, '')
	return f
# 生成词云
def create_word_cloud(f):
	print('根据词频，开始生成词云!')
	f = remove_stop_words(f)
	cut_text = " ".join(jieba.cut(f,cut_all=False, HMM=True))
	import numpy as np
	mask=np.array(image.open(r"C:UsersljDesktop1.jpg"))
	wc = WordCloud(
		mask=mask,
		font_path="./SimHei.ttf",
		max_words=100,
		width=2000,
		height=1200,
    )
	print(cut_text)
	wordcloud = wc.generate(cut_text)
	# 写词云图片
	wordcloud.to_file("wordcloud.jpg")
	# 显示词云文件
	plt.imshow(wordcloud)
	plt.axis("off")
	plt.show()

# 得到指定歌手页面 热门前50的歌曲ID，歌曲名
def get_songs(artist_id):
	page_url = 'https://music.163.com/artist?id=' + artist_id
	# 获取网页HTML
	res = requests.request('GET', page_url, headers=headers)
	# 用XPath解析 前50首热门歌曲
	html = etree.HTML(res.text)
	href_xpath = "//*[@id='hotsong-list']//a/@href"
	name_xpath = "//*[@id='hotsong-list']//a/text()"#获取
	hrefs = html.xpath(href_xpath)
	names = html.xpath(name_xpath)
	# 设置热门歌曲的ID，歌曲名称
	song_ids = []
	song_names = []
	for href, name in zip(hrefs, names):
		song_ids.append(href[9:])
		song_names.append(name)
		print(href, '  ', name)
	return song_ids, song_names
# 设置歌手ID，赵雷为6731
artist_id = '6731'
[song_ids, song_names] = get_songs(artist_id)
# 所有歌词
all_word = ''
# 获取每首歌歌词
for (song_id, song_name) in zip(song_ids, song_names):
	# 歌词API URL
	lyric_url = 'http://music.163.com/api/song/lyric?os=pc&id=' + song_id + '&lv=-1&kv=-1&tv=-1'
	lyric = get_song_lyric(headers, lyric_url)
	all_word = all_word + ' ' + lyric
	print(song_name)
#根据词频 生成词云
if __name__ == '__main__':
	create_word_cloud(all_word)

结果

4 总结

今天总结下整体的内容。其中涉及到的知识点有可视化，词云图制作以及中文的jieba库。

不知道你们看完有一点点收获吗？如果有收获希望你

1. 点赞 给予我更多鼓励同时让更多人学习
2. 关注我公众号[我是程序员小贱]获取更多的干货。相信我不会让你们失望！