python实现分词和词云

• • 一、下载相关的资源库
  • • 1.1 jieba分词
    • 1.2 wordcloud
  • 二、词云制作
  • • 2.1 分词
    • 2.2 制作词云
    • 2.3 运行输出
  • 三、踩坑记录

一、下载相关的资源库

1.1 jieba分词

官网：https://pypi.org/project/jieba/0.42/
下载：https://pypi.org/project/jieba/0.42.1/#files
安装：

• 方法一：联网全自动安装
  pip install jieba
• 方法二：半自动离线安装
  下载安装包，解压后执行:
  python setup.py install

安装完成后执行pip list ｜ grep jieba查看是否安装成功。

1.2 wordcloud

github：https://github.com/amueller/word_cloud
官方地址：https://amueller.github.io/word_cloud/
下载链接：https://pypi.org/project/wordcloud/1.8.0/#files
根据系统类型和python版本选择下载合适的wordcloud版本

安装命令：
pip install wordcloud-1.8.1-cp36-cp36m-win_amd64.whl

二、词云制作

2.1 分词

英文文章的分词相对简单，因为英文单词之间使用空格进行分开的，所以直接根据空格进行切分即可。然而中文是不用空格进行分割的，只有句子或段落间的标点符号，所以需要用到分词工具，常用的中文分词库有jieba、HanLP等，我用的是结巴分词。
特性

• 支持三种分词模式：
  • 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。
• 支持繁体分词
• 支持自定义词典

from wordcloud import WordCloud, STOPWORDS
from scipy.misc import imread
import matplotlib.pyplot as plt
import jiebadef read_deal_text():with open("data/job.txt", "r") as f:txt = f.read()re_move = ["，", "。", " ", '\n', '\xa0']# 去除无效数据for i in re_move:txt = txt.replace(i, " ")word = jieba.lcut(txt)  # 使用精确分词模式with open("data/txt_save.txt", 'w') as file:# 把分词后的词语保存到txt_save.txt文件中for i in word:file.write(str(i) + ' ')print("文本处理完成")

2.2 制作词云

WordCloud是Python中一个非常优秀的第三方词云展示库，但是处理中文就不怎么能胜任，因为中文通常包含着一整句话，尽管在WordCloud里虽然也有process_text()方法用于把很长的文字做分隔，但这个方法本身是根据英文文本分词设计的，所以对于中文字的展示必须要配合更适合做中文分词处理的jieba分词库来操作效果更佳。

def img_grearte():mask = imread("data/cloud3.png")with open("data/txt_save.txt", "r") as file:txt = file.read()my_stopwords = {"熟悉", "相关", "技术", "工作", "联网", "精通", "开发", "经验", "客户", "软件", "优先", "工程师","完成", "进行", "以上", "项目", "平台", "设计", "模块", "良好", "研发", "使用", "要求", "需求", "行业","参与", "优化", "分析", "开源", "应用", "具有", "能力", "协助", "文档", "电子", "岗位职责", "负责", "测试","测试", "飙血", "产品", "具备", "至少", "任职", "熟练", "编程", "规范", "沟通", "实践经验", "架构设计","设计模式", "理解", "专业", "工业", "基础", "自动化", "交流", "问题", "流程", "计算机", "产品线", "解决","软件开发", "知识", "市场", "编写", "只能", "业务", "系统", "职位", "主导", "多个", "技能", "习惯", "运作","智慧", "环境", "三年", "较强", "一种", "以上学历", "处理", "以及", "服务", "清晰", "负有", "工具", "常用","跟进", "华为", "职责", "后台", "遇到", "跟进", "软件开发", "了解", "有物", "对于", "主流", "对接", "精神","合作", "销售", "面向未来", "方向", "等物", "精神", "根据", "富有", "实际", "竞争力", "过程", "资格", "保证","其中", "快速", "工程", "其中", "推广", "追求", "提升", "运行", "安排", "能够", "支持", "深入", "安全", "卓越","认可", "边缘", "定义", "针对", "激情", "机电", "理念", "询价", "深入", "大型", "短期", "落地", "从事", "规约","互联网", "协议", "高性能", "数据", "研究", "学习", "情况", "通用", "功能", "核心", "高度", "汇报", "基本知识","一定", "挖掘", "业务", "本科", "关键问题", "修改", "看护", "编码", "通信", "网络", "维护", "软件技术", "逻辑","接入", "结果", "看护", "关键问题", "联网", "考", "扎实", "领导", "帮助", "交付", "细致", "类似", "统招","阿里", "售前", "乐鑫", "协调", "实时", "业界", "业务", "其他", "提出", "热爱", "事宜", "对物", "中期", "考","公司", "编制", "遵守", "各种", "专业本科", "掌握", "量好", "展开", "体系", "板等物", "公司", "消息", "出差","最好", "独立", "熟练掌握", "管理", "阅读", "优秀", "岗位", "一年", "配置", "任意", "风格", "意识", "高级","态度", "全日制", "通讯", "常见", "方法", "多种", "传输", "认识", "积极", "移植", "系列", "心态", "培养","软件工程", "计算机相关", "系列", "之一", "外设", "经历", "加工", "文件", "大学", "基于", "一面", "方面","抗压", "有人", "改进", "高效", "方式", "推进", "或者", "中型", "手册", "接触", "更加", "文件", "记录","嵌入式软件", "严谨", "提供", "两年", "踏实", "独挡", "思想", "适应", "应届生", "耐心", "性能", "基本", "安防","搭建", "语言", "底层", "智能", "善于", "认真", "低功耗", "通过", "以下", "能看懂", "更佳", "运用", "完整","中心", "网络协议"}stopwords = STOPWORDS.union(my_stopwords)word = WordCloud(background_color="white",width=1200,height=800,font_path='/System/Library/Fonts/PingFang.ttc', # 指定字体路径，很重要stopwords=stopwords,# mask=mask,max_font_size=100,  # 设置字体最大值random_state=18  # 设置有多少种随机生成状态，即有多少种配色方案).generate(txt)word.to_file('data/test.png')print("词云图片已保存")plt.imshow(word)  # 使用plt库显示图片plt.axis("off")plt.figure(figsize=(16, 12))plt.show()

下面是wordcloud函数的参数介绍：

font_path : string //字体路径，需要展现什么字体就把该字体路径+后缀名写上，如：font_path = '黑体.ttf'
width : int (default=400) //输出的画布宽度，默认为400像素
height : int (default=200) //输出的画布高度，默认为200像素
prefer_horizontal : float (default=0.90) //词语水平方向排版出现的频率，默认 0.9 （所以词语垂直方向排版出现频率为 0.1 ）
mask : nd-array or None (default=None) //如果参数为空，则使用二维遮罩绘制词云。如果 mask 非空，设置的宽高值将被忽略，遮罩形状被 mask 取代。除全白（#FFFFFF）的部分将不会绘制，其余部分会用于绘制词云。如：bg_pic = imread('读取一张图片.png')，背景图片的画布一定要设置为白色（#FFFFFF），然后显示的形状为不是白色的其他颜色。可以用ps工具将自己要显示的形状复制到一个纯白色的画布上再保存，就ok了。
scale : float (default=1) //按照比例进行放大画布，如设置为1.5，则长和宽都是原来画布的1.5倍。
min_font_size : int (default=4) //显示的最小的字体大小
font_step : int (default=1) //字体步长，如果步长大于1，会加快运算但是可能导致结果出现较大的误差。
max_words : number (default=200) //要显示的词的最大个数
stopwords : set of strings or None //设置需要屏蔽的词，如果为空，则使用内置的STOPWORDS
background_color : color value (default=”black”) //背景颜色，如background_color='white',背景颜色为白色。
max_font_size : int or None (default=None) //显示的最大的字体大小
mode : string (default=”RGB”) //当参数为“RGBA”并且background_color不为空时，背景为透明。
relative_scaling : float (default=.5) //词频和字体大小的关联性
color_func : callable, default=None //生成新颜色的函数，如果为空，则使用 self.color_func
regexp : string or None (optional) //使用正则表达式分隔输入的文本
collocations : bool, default=True //是否包括两个词的搭配
colormap : string or matplotlib colormap, default=”viridis” //给每个单词随机分配颜色，若指定color_func，则忽略该方法。
fit_words(frequencies) //根据词频生成词云【frequencies，为字典类型】
generate(text) //根据文本生成词云
generate_from_frequencies(frequencies[, ...]) //根据词频生成词云
generate_from_text(text) //根据文本生成词云
process_text(text) //将长文本分词并去除屏蔽词（此处指英语，中文分词还是需要自己用别的库先行实现，使用上面的 fit_words(frequencies) ）
recolor([random_state, color_func, colormap]) //对现有输出重新着色。重新上色会比重新生成整个词云快很多。
to_array() //转化为 numpy array
to_file(filename) //输出到文件

其中词云遮罩图的制作比较重要，想制作个性化的词云，就得自己制作遮罩图，3.3有制作方法。

2.3 运行输出

if __name__ == '__main__':read_deal_text()img_grearte()

三、踩坑记录

1. 图片中的中文显示不出来，如下图：
   
   解决方法：配置WordCloud的font_path参数

'''设置词云样式'''
wc = WordCloud(background_color='white',# 设置背景颜色mask=backgroud_Image,# 设置背景图片font_path='C:\Windows\Fonts\STZHONGS.TTF',  # 若是有中文的话，这句代码必须添加，不然会出现方框，不出现汉字max_words=2000, # 设置最大现实的字数stopwords=STOPWORDS,# 设置停用词max_font_size=150,# 设置字体最大值random_state=30# 设置有多少种随机生成状态，即有多少种配色方案
)

font_path用来制定中文编码的字体，如果不指定不会出现汉字。
windows一般是C:\Windows\Fonts\下的某字体；
mac一般是/System/Library/Fonts/下的某字体；
2. 添加停用词
切分出来很多无用的高频词，显示效果如下，不是想要的结果，所以把这些高频词添加到停用词集合中。

添加之后的效果：

3. 遮罩图的制作
遮罩图是生成词云的轮廓，在遮罩图中除了全白（#FFFFFF）的部分不会绘制，其余部分会用于绘制词云。遮罩图就需要根据个人需求自己制作，可以用ps或是美图秀秀进行制作，左边这张图是从网上下载的，右边是我把武松的形象抠出来，新建一个背景为白色的图，这样才能用，不然制作的词云是看不到人物轮廓的。

下面是制作的武松词云：

本文链接：https://my.lmcjl.com/post/2556.html