本次作業的要求來自於：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2822
一、中文詞頻統計
1. 下載一長篇中文小說。
2. 從文件讀取待分析文本。
3. 安裝並使用jieba進行中文分詞。
pip install jieba
import jieba
jieba.lcut(text)
4. 更新詞庫，加入所分析對象的專業詞匯。
jieba.add_word('天罡北斗陣') #逐個添加
jieba.load_userdict(word_dict) #詞庫文本文件
參考詞庫下載地址：https://pinyin.sogou.com/dict/
轉換代碼：scel_to_text
5. 生成詞頻統計
6. 排序
7. 排除語法型詞匯，代詞、冠詞、連詞等停用詞。
8. 輸出詞頻最大TOP20，把結果存放到文件里
9. 生成詞雲。
二、實現
1、本文下載了曹雪芹的《紅樓夢》，放於紅樓夢.txt中
2、安裝jieba和workcloud
命令：pip install jieba 全自動安裝jieba成功
命令：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple wordcloud 全自動安裝workcloud成功
3. 主要代碼
import jieba
test=open(r"F:\紅樓夢.txt", "r",encoding="utf-8").read()
File=open(r"F:\stops_chinese.txt", "r",encoding="utf-8")
jieba.load_userdict(r"F:\text\《紅樓夢》詞匯大全.txt")
#停詞表
stops = File.read().split('\n')
ch="《》\n：，。、-!?"
for c in ch:
test = test.replace(c,'')
#更新詞庫，加入所分析對象的專業詞匯
jieba.add_word('黛玉摘花')
#中文切詞
wordlist=jieba.lcut(test)
tokens=[token for token in wordlist if token not in stops]
wordict={}
for w in tokens:
if len(w)==1:
continue
else:
wordict[w] = wordict.get(w,0)+1
wordsort=list(wordict.items())
wordsort.sort(key= lambda x:x[1],reverse=True)
#輸出詞頻最大TOP20
for i in range(20):
print(wordsort[i])
截圖：
4. 文件格式切換，將.scel改成.txt格式
# -*- coding: utf-8 -*-
import struct
import os
# 拼音表偏移，
startPy = 0x1540;
# 漢語詞組表偏移
startChinese = 0x2628;
# 全局拼音表
GPy_Table = {}
# 解析結果
# 元組(詞頻,拼音,中文詞組)的列表
# 原始字節碼轉為字符串
def byte2str(data):
pos = 0
str = ''
while pos < len(data):
c = chr(struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0])
if c != chr(0):
str += c
pos += 2
return str
# 獲取拼音表
def getPyTable(data):
data = data[4:]
pos = 0
while pos < len(data):
index = struct.unpack('H', bytes([data[pos],data[pos + 1]]))[0]
pos += 2
lenPy = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
pos += 2
py = byte2str(data[pos:pos + lenPy])
GPy_Table[index] = py
pos += lenPy
# 獲取一個詞組的拼音
def getWordPy(data):
pos = 0
ret = ''
while pos < len(data):
index = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
ret += GPy_Table[index]
pos += 2
return ret
# 讀取中文表
def getChinese(data):
GTable = []
pos = 0
while pos < len(data):
# 同音詞數量
same = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
# 拼音索引表長度
pos += 2
py_table_len = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
# 拼音索引表
pos += 2
py = getWordPy(data[pos: pos + py_table_len])
# 中文詞組
pos += py_table_len
for i in range(same):
# 中文詞組長度
c_len = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
# 中文詞組
pos += 2
word = byte2str(data[pos: pos + c_len])
# 擴展數據長度
pos += c_len
ext_len = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
# 詞頻
pos += 2
count = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
# 保存
GTable.append((count, py, word))
# 到下個詞的偏移位置
pos += ext_len
return GTable
def scel2txt(file_name):
print('-' * 60)
with open(file_name, 'rb') as f:
data = f.read()
print("詞庫名：", byte2str(data[0x130:0x338])) # .encode('GB18030')
print("詞庫類型：", byte2str(data[0x338:0x540]))
print("描述信息：", byte2str(data[0x540:0xd40]))
print("詞庫示例：", byte2str(data[0xd40:startPy]))
getPyTable(data[startPy:startChinese])
getChinese(data[startChinese:])
return getChinese(data[startChinese:])
if __name__ == '__main__':
# scel所在文件夾路徑
in_path = r"F:\text" #修改為你的詞庫文件存放文件夾
# 輸出詞典所在文件夾路徑
out_path = r"F:\text" # 轉換之后文件存放文件夾
fin = [fname for fname in os.listdir(in_path) if fname[-5:] == ".scel"]
for f in fin:
try:
for word in scel2txt(os.path.join(in_path, f)):
file_path=(os.path.join(out_path, str(f).split('.')[0] + '.txt'))
# 保存結果
with open(file_path,'a+',encoding='utf-8')as file:
file.write(word[2] + '\n')
os.remove(os.path.join(in_path, f))
except Exception as e:
print(e)
pass
5. 生成詞雲
cut_text=''.join(tokens) from wordcloud import WordCloud mywc=WordCloud().generate(cut_text) import matplotlib.pyplot as plt plt.imshow(mywc) plt.axis("off") plt.show()
6. 保存圖片
mywc.to_file(r"F:\text\hlm.png")
