Python云词，达康书记再看你怎么用Python爬取《人民的民意》词频

群内不定时分享干货，包括最新的python企业案例学习资料和零基础入门教程，欢迎初学和进阶中的小伙伴入群学习交流

由于词云在反映文本关键信息上的显著优势，在本文中，我选择结合实例为大家介绍一下 Python 中专门用来生成词云的一个库——word_cloud 。

实例中的分析对象就选择为最近大火的电视剧《人民的名义》小说原著，通过词云来分析一下小说各具魅力的人物中，究竟谁的出场率最高，谁是真正的主角。

考虑到 Word_Cloud 的默认处理对象是英文，对中文的分词效果不够理想，所以在实例中还用到了一个强大的中文分词组件——jieba ，在文章中也会给大家进行简单介绍。

一、准备工作

word_cloud 介绍

首先，为大家介绍一下 word_cloud 库的基本信息。word_cloud 是哥伦比亚大学的Andreas Müller 开发的基于 Python 的词云生成器，同时支持Python2 和 Python3 。 word_cloud 使用的词云生成算法简洁高效，支持任意形状的图片模板，可以自动生成配色。也可以对词云中单词的数量、配色、尺寸、排列方式等一系列参数进行自定义的设定。

在word_cloud 库里，最重要的一个类是 WordCloud 。这个类中的属性包含了词云生成过程中的各项相关参数，方法中则包含了文本分词、词云的生成、绘制等一系列函数。

可以看到，WordCloud这个函数有22个参数，能够设置词云生成过程中各个方面的参数，我们可以通过设定这些参数的取值来实现我们想要的效果。当然，这么多参数，我们只需要设置我们最关心的几个参数，其余参数取默认值就可以了。这里，简单介绍一下我们将要用到的几个重要参数：

第一个参数是 font_path，字体路径。这个参数用来选择生成词云中文字使用的字体。在Linux环境中，字体默认的是DroidSansMono，如果没有这个字体或者使用的是其他操作系统，都需要下载字体文件，对这个参数赋予字体所在路径。需要注意的是，由于默认字体是英文字体，我们在处理中文文本时，建议使用自己选择的汉字字体。在选择字体的过程中，最好选择字库比较完整的经典字体，如黑体、宋体等字体。若使用一些字库不够完整的特殊字体，容易出现词云中一些汉字无法显示的情况，影响效果。

第二个参数是 mask ,模板图片。这个参数用来选择词云生成形状的模板。默认不设置情况下，生成词云会是一个矩形。选作模板的图片需要是一副二值图像。模板图像矩阵中，白色(#FF 或 #FFFFFF) 的元素位置会被排除，其余的元素位置会被单词填满。也就是说，使用一副黑白图像作为模板时，生成的词云是黑色部分的形状。输入的模板图片的格式支持常用格式如png、jpeg等。

第三个参数是 max_words,最大单词数。顾名思义，这个参数决定了词云中显示的单词的总数上限，我们可以根据具体应用需求来设置这个参数的大小。类似的还有max_font_size（最大字体尺寸）、min_font_size(最小字体尺寸)、backgroud_color(背景颜色)等一系列功能明确的参数，可以根据需要自由设置，没有特殊的限制。

关于 WordCloud 类的属性，以上的介绍已经可以满足我们的基本使用需要，接下来我们来了解一下 WordCloud 类中的主要方法。WordCloud 类中包含的方法如下所示：

在本篇的实例中，我们处理的对象是《人民的名义》小说文本，文本全部由句子构成，不能直接作为 generate 函数的输入值。因此，我们需要对由句子构成的文本进行”分词“的预处理。顾名思义，分词就是将句子分解成若干个独立的词汇。在上表中可以看到，WordCloud 类中提供了实现分词功能的函数 process_text(text)。但是这个函数的设计是主要面向英文文本的分词的，所以对中文的分词效果不能令人满意。 在这些方法函数中，本篇将会用到的函数主要是从文本中生成词云的函数 generate(text) 。函数的输入是txt格式的文本文件，输出最终的词云数据。这里需要注意的是，函数输入的文本文件对内容格式是有要求的。文本必须由一个个独立分隔开的词语构成，这样函数才可以对每个词语的出现频率进行统计，生成词云。

Jieba 介绍

Jieba,也就是“结巴”中文分词，是一个非常强大且完善的中文分词组件。Jieba 库有很多语言的实现版本， Python 版本同时支持 Python2 和 Python3。

Jieba的主要功能特性有以下几点：

支持三种分词模式：

1.精确模式，试图将句子最精确地切开，适合文本分析；

2.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；

3.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

MIT 授权协议

Jieba能够实现分词、添加自定义词典、关键词提取、词性标注、并行分词、Tokenize返回词语在原文的起止位置、ChineseAnalyzer for Whoosh 搜索引擎、命令行分词等一系列非常丰富功能。在本篇当中，我们主要会用到分词、添加自定义词典和关键词提取的功能，下面分别介绍一下这三个功能的基本实现。

分词功能

jieba.cut 方法接受三个输入参数: 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

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

添加自定义词典功能

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。

关键词提取功能

基于 TF-IDF 算法的关键词抽取

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

基于 TextRank 算法的关键词抽取

jieba.analyse.TextRank() 新建自定义 TextRank 实例

环境搭建

在对 word_cloud 和 jieba 两个库有了基本的了解之后，我们来学习一下两个库的安装和相关环境的搭建。

word_cloud 的安装

快速安装（使用pip指令）:

pip install wordcloud

手动安装-软件包获取:

wget https://github.com/amueller/word_cloud/archive/master.zip

unzip master.zip

rm master.zip

cd word_cloud-master

软件包安装:

python setup.py install

ps：这里不介绍anaconda安装

jieba 的安装

全自动安装：easy_install jieba 或者 pip install jieba / pip3 install jieba

半自动安装：先下载 http://pypi.python.org/pypi/jieba/ ，解压后运行 python setup.py install

手动安装：将 jieba 目录放置于当前目录或者 site-packages 目录

通过 import jieba 来引用

实现思路

在完成基础知识了解和环境配置后，我们可以来思考一下具体的实现过程了。

我们的目标是生成《人民的名义》小说词云，我们希望词云中的词汇只有角色的名字，没有其他无关词汇，这样才能更好地反映出角色的比重。

我们的处理对象是从网络获得的《人民的名义》小说 txt 文件，编码格式为 utf-8 ,字符数为268375。

根据之前的基础知识，我们不难获得整个程序的实现思路：

分词

小说文本整体分词

构建自定义人名词典

筛选关键词

生成词云，绘制图片

因此，我们只需要设计两个函数。第一个函数是分词函数，用来实现小说的整体分词和人名筛选等功能，获得只包含人名的分词结果。第二个函数就是词云生成函数，使用分词函数的分词结果作为输入，对词云的模板、词量等参数进行设置，输出最终的词云结果，并保存为图片文件。

二、程序设计

库的导入

首先，程序的开始我们要声明编码方式，并导入需要用到的库文件，代码如下：

可以看到，我们引入了 codecs,是为了使用 codecs.open() 函数打开文本文件，引用了jieba.analyse 是为了调用其中的 extract_tags 函数来实现关键词的筛选。值得注意的是，在这里，我加载了自定义字典文件 “namedict.txt”。在这个字典文件中，依照温暖的文档要求的格式，记录了21个小说中人物角色的姓名，并标注词性为”nr“，代表名字。下面是部分示例。

侯亮平 nr

沙瑞金 nr

祁同伟 nr

李达康 nr

高育良 nr

通过这个自定义词典的加载，我们可以保证分词过程中，角色名字可以正确完整地被分割出来，并且可以根据词性”nr“,将所有名字筛选出来。

分词函数的实现

代码如下，代码的原理在注释中有详细介绍：

词云生成函数的实现

代码如下，代码的原理在注释中有详细介绍：

函数的调用

两个主要函数定义完成后，就可以设置小说文本路径，直接调用词云生成函数生成词云了。

这里需要的代码也很简单,如下所示：

三、实践结果

将上述代码编写到一个Python文件txtwc.py中，如下所示:

运行文件，得到结果如下图所示：

从结果图可以看出，在众多魅力各异的角色中，侯亮平和李达康是《人民的名义》中登场率最高的人物，祁同伟、高育良等人的存在感也不相上下。看来，达康书记在网络上的超高人气不是空穴来风啊！