因為詞雲有利於體現文本信息，所以我就將那天無聊時爬取的《悲傷逆流成河》的評論處理了一下，生成了詞雲。
關於爬取影評的爬蟲大概長這個樣子(實際上是沒有爬完的):
#!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2018/10/15 16:34 # @Author : Sa.Song # @Desc : 爬取買貓眼電影悲傷逆流成河的評論 # @File : maoyan_BS.py # @Software: PyCharm import requests import json import pymysql header = { 'Accept-Encoding':'gzip, deflate', 'Accept-Language':'zh-CN,zh;q=0.9', 'Connection':'keep-alive', 'Host':'m.maoyan.com', 'Referer':'http://m.maoyan.com/movie/1217236/comments?_v_=yes', 'User-Agent':'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Mobile Safari/537.36' } num = 0 month = 9 day = 21 conn = pymysql.connect('118.24.26.224','root','123456','cnblogs') cursor = conn.cursor() while True: startTime = '2018-{0}-{1}'.format(month, day) day += 1 if day == 31: day = 1 month = 10 if day == 18: break for i in range(67): url = 'http://m.maoyan.com/mmdb/comments/movie/1217236.json?_v_=yes&offset={0}&startTime={1}%2010%3A16%3A18'.format(num, startTime) num += 15 if num == 1005: num = 0 print(url) reslut = requests.get(url=url, headers=header) data = json.loads(reslut.text) if data['total'] == 0: break else: message = data['cmts'] for i in message: name = i.get('nickName') sex = i.get('gender') city = i.get('cityName') user_grade = i.get('userLevel') score = i.get('score') content = i.get('content') time = i.get('startTime') if not sex: sex = 0 sql = """insert into maoyan_comment(name,sex,city,user_grade,score,content,time) values("{0}","{1}","{2}","{3}","{4}","{5}","{6}")"""\ .format(name,sex,city,user_grade,score,pymysql.escape_string(content),time) cursor.execute(sql) print(content) print(time) print('--------------------------------------------------------------------->') conn.commit()
在獲取到文本之后我們就可以開始下面的工作了。
先說一下總體流程：
獲取文本-->對文本進行處理，分詞（將完整的句子分割成一個一個的詞語）-->加載停用詞表剔除掉廢詞，無用詞（如語氣詞等）-->根據分割好的詞生成詞雲
介紹一下jieba：
也叫“結巴”中文分詞，一個強大且完善的中文分詞組件，它對於許多語言都有實現版，python版本同時支持py2和py3
jieba主要有一下幾個特性：
支持三種分詞模式：
（1）精准模式，將句子精確的分開，不會向字符串中添加字詞，適合文本分析
(2) 全局模式，將句子中所有可以成詞的詞語都掃描出來，速度快，但是不能解決歧義
（3）搜索引擎模式，在精准模式基礎上，對長詞進行再分割，使用隱馬爾科夫模型
支持繁體分詞
支持自定義詞典
MIT授權協議
分詞功能：
jieba.cut方法接受三個參數：需要分割的字符串、cut_all 參數用來控制是否使用全模式， HMM參數用來控制是否使用NMM（隱馬爾科夫模型）
jieba.cut_for_search()接受兩個參數：需要分詞的字符串；是否使用 HMM 模型。該方法適合用於搜索引擎構建倒排索引的分詞，粒度比較細
待分詞的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建議直接輸入 GBK 字符串，可能無法預料地錯誤解碼成 UTF-8
jieba.cut 以及 jieba.cut_for_search 返回的結構都是一個可迭代的 generator，可以使用 for 循環來獲得分詞后得到的每一個詞語(unicode)，或者用jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定義分詞器，可用於同時使用不同詞典。jieba.dt 為默認分詞器，所有全局分詞相關函數都是該分詞器的映射。
關鍵詞提取功能：
關鍵詞提取基於兩種算法： TF-IDF 算法 與 TextRank 算法
（TF-IDF 算法）
outstr 為待提取的文本
topK 為返回幾個詞頻最大的值
withWeight 為是否返回詞頻，默認為False
allowPOS 僅指定詞性的詞，默認為空，不篩選
（TextRank 算法）
介紹一下wordcloud：
wordcloud庫是基於Python的詞雲生成器，支持py2與py3.
wordcloud庫最重要的類：WordCloud類，這個類的屬性半酣了詞雲生成過程中的各項相關參數，方法則包含了文本分析，慈雲的生成，繪制等一系列函數。
屬性（22個）：
1 font_path : string //字體路徑，需要展現什么字體就把該字體路徑+后綴名寫上，如：font_path = '黑體.ttf' 2 3 width : int (default=400) //輸出的畫布寬度，默認為400像素 4 5 height : int (default=200) //輸出的畫布高度，默認為200像素 6 7 prefer_horizontal : float (default=0.90) //詞語水平方向排版出現的頻率，默認 0.9 （所以詞語垂直方向排版出現頻率為 0.1 ） 8 9 mask : nd-array or None (default=None) //如果參數為空，則使用二維遮罩繪制詞雲。如果 mask 非空，設置的寬高值將被忽略，遮罩形狀被 mask 取代。 10 11 除全白（#FFFFFF）的部分將不會繪制，其余部分會用於繪制詞雲。如：bg_pic = imread('讀取一張圖片.png')， 12 13 背景圖片的畫布一定要設置為白色（#FFFFFF），然后顯示的形狀為不是白色的其他顏色。可以用ps工具將自己要顯示的形狀復制到一個純白色的畫布上再保存，就ok了。 14 15 scale : float (default=1) //按照比例進行放大畫布，如設置為1.5，則長和寬都是原來畫布的1.5倍。 16 17 min_font_size : int (default=4) //顯示的最小的字體大小 18 19 font_step : int (default=1) //字體步長，如果步長大於1，會加快運算但是可能導致結果出現較大的誤差。 20 21 max_words : number (default=200) //要顯示的詞的最大個數 22 23 stopwords : set of strings or None //設置需要屏蔽的詞，如果為空，則使用內置的STOPWORDS 24 25 background_color : color value (default=”black”) //背景顏色，如 26 27 background_color='white',背景顏色為白色。 28 29 max_font_size : int or None (default=None) //顯示的最大的字體大小 30 31 mode : string (default=”RGB”) //當參數為“RGBA”並且 32 33 background_color不為空時，背景為透明。 34 35 relative_scaling : float (default=.5) //詞頻和字體大小的關聯性 36 37 color_func : callable, default=None //生成新顏色的函數，如果為空，則使用 self.color_func 38 39 regexp : string or None (optional) //使用正則表達式分隔輸入的文本 40 41 collocations : bool, default=True //是否包括兩個詞的搭配 42 43 colormap : string or matplotlib colormap, default=”viridis” //給每個單詞隨機分配顏色，若指定color_func，則忽略該方法。 44 45 fit_words(frequencies) //根據詞頻生成詞雲【frequencies，為字典類型】 46 47 generate(text) //根據文本生成詞雲 48 49 generate_from_frequencies(frequencies[, ...]) //根據詞頻生成詞雲 50 51 generate_from_text(text) //根據文本生成詞雲 52 53 process_text(text) //將長文本分詞並去除屏蔽詞（此處指英語，中文分詞還是需要自己用別的庫先行實現，使用上面的 fit_words(frequencies) ） 54 55 recolor([random_state, color_func, colormap]) //對現有輸出重新着色。重新上色會比重新生成整個詞雲快很多。 56 57 to_array() //轉化為 numpy array 58 59 to_file(filename) //輸出到文件
到這里jieba和wordcloud基本介紹就講完了，下面主要是代碼實現部分：
加載模塊、讀取本地文檔、加載停用詞表、加載字體（中文分詞必須使用）、加載詞雲圖片模板、對文檔的處理
#!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2018/10/22 9:17 # @Author : Sa.Song # @Desc : jieba分詞與wordcloud提取詞雲 # @File : jieba_wordcloud.py # @Software: PyCharm import jieba from wordcloud import WordCloud import matplotlib.pyplot as plt import numpy as np from PIL import Image import jieba.analyse with open(r'C:\Users\songsa\Desktop\maoyan_comment.txt', 'r', encoding='utf-8') as f: # 本地文本文檔 text = f.read() with open(r'C:\Users\songsa\Desktop\tingyongci1.txt', 'r') as f: # 本地的停用詞表 tingyongci = f.read() path = r'C:\Users\songsa\Desktop\xia.jpg' # 本地的圖片模板 font = r'C:\Users\songsa\Desktop\youyuan.TTF' # 本地的字體（中文分詞要用） text = text.replace('，','') text = text.replace('1','') text = text.replace('、','') text = text.replace('；','') text = text.replace('.','') text = text.replace('。','') str_list = jieba.cut(text, HMM=True) #使用精准模式來分詞 '''加載停用詞表並去掉停用詞''' outstr = '' for word in str_list: if word not in tingyongci: if word != '\t': outstr += word outstr += ' '
這里的outstr就是分詞后用‘ ’拼接起來的一個一個詞雲的字符串。
下面在生成詞雲時時其實是有兩種方法的：一種時直接根據分好的詞來生成詞雲（內部自動提取關鍵詞）
使用的是它： wc.generate_from_text(outstr)
img = Image.open(path) # 打開圖片 img_array = np.array(img) # 將圖片轉換為數組 wc = WordCloud( background_color='black', mask=img_array, font_path=font, # mode='RGBA', max_words=30 # 提取的關鍵詞的最大個數 ) wc.generate_from_text(outstr) # 根據切好的詞來繪制詞雲圖，自動提取關鍵詞 # wc.generate_from_frequencies(new_outstr) # 根據給定的關鍵詞和詞頻（字典格式）來畫詞雲圖 # plt.figure() # 創建一個畫圖窗口 plt.show() wc.to_file(r'C:\Users\songsa\Desktop\a.png')
另一種是先根據分割好的詞提取出關鍵詞，然后利用關鍵詞生成詞雲，
使用的是它： wc.generate_from_frequencies(new_outstr)
# for keyword in jieba.analyse.extract_tags(outstr, topK=20, withWeight=True): # 根據詞頻來獲取關鍵詞 # print(keyword) new_outstr = {} for keyword in jieba.analyse.textrank(outstr, topK=30, withWeight=True): # 根據權重來獲取關鍵詞 new_outstr[keyword[0]] = keyword[1] img = Image.open(path) # 打開圖片 img_array = np.array(img) # 將圖片轉換為數組 wc = WordCloud( background_color='black', mask=img_array, font_path=font, # mode='RGBA', max_words=30 # 提取的關鍵詞的最大個數 ) # wc.generate_from_text(outstr) # 根據切好的詞來繪制詞雲圖，自動提取關鍵詞 wc.generate_from_frequencies(new_outstr) # 根據給定的關鍵詞和詞頻（字典格式）來畫詞雲圖 # plt.figure() # 創建一個畫圖窗口 plt.show() wc.to_file(r'C:\Users\songsa\Desktop\a.png')
但是這種方式還需要注意一點，就是選擇根據詞頻來提取關鍵詞還是根據權重來提取關鍵詞。
這樣的話，根據評論提取關鍵詞並生成詞雲就成功了：
這是詞雲模板圖片：
詞雲圖片：
這里是我的停用詞表和字體文件：
鏈接：https://pan.baidu.com/s/1U_9F0ux1voc4kX8l4UFRIw
提取碼：r64t
想了解更多Python關於爬蟲、數據分析的內容，歡迎大家關注我的微信公眾號：悟道Python
