基于 python 对文本做分词、生成词云图

前一段时间，有个诉求，想了解下后台，大量反馈数据，其中重点集中在哪些内容。鉴于手边并无现成工具，可以想到快捷的办法是，对数据进行统一汇总，然后分词，将占比较高的关键词汇，生成词云图，从而形成对内容有大致解，为后面分析分析奠定方向。本文就如何基于 python 对文本做分词、快速生成词云图，做下探讨性分享。

为何选 python

Python 是一种易于学习又功能强大的编程语言。它优雅的语法和动态类型，以及解释型语言的本质，使它成为多数平台上写脚本，以及快速开发应用的理想语言。此外，Python 具有丰富强大的功能库，可以直接加以引用，省却很多工作量。

大致思路

假如已经获得文本，只需进行以下步骤即可：

对指定文本，基于 jieba 进行分词，得到词汇列表；
对所得词汇列表进行计数，获得高频词汇列表（过滤排除、由高到低排序）；
根据排序后的高频词汇列表，取前 N（100）条，拼接为字符串；
依据拼接后字符串，基于 wordcloud、image 功能库生成词云图；

具体实现

# gen-wordcloud-img.py
import jieba
import wordcloud
import PIL.Image as image
import numpy as np

relative_path = './wordcloud/'
target_path = 'target.txt'

def get_jieba_words():
    content_str = open(relative_path + target_path, 'r', encoding='utf-8').read()
    return jieba.lcut(content_str)

def get_high_frequency_word(param_list):
    exclude_words_list = ['我们', '你们', '可以']
    counts_dict = {}
    for word in param_list:
        if len(word) == 1:
            continue
        else:
            is_word_exist = False
            for ex_word in exclude_words_list:
                if ex_word in word:
                    is_word_exist = True
            if not is_word_exist:
                if not word.isdigit():
                    count = counts_dict.get(word, 0) + 1
                    counts_dict[word] = count
    return sorted(counts_dict.items(), key=lambda x: x[1], reverse=True)

def get_cloud_words(param_list):
    result_str = ''
    for item in param_list[0:100]:
        occur_count = item[1]
        for _ in range(occur_count):
            result_str = result_str + ' ' + item[0]
    return result_str

def gen_and_save_wordcloud_img(param_str):
    mask = np.array(image.open(relative_path + "style.jpg"))
    wc = wordcloud.WordCloud(width=1430, height=646, background_color="rgba(255, 255, 255, 0)",
                            mode="RGBA", font_path=relative_path + 'MSYH.TTC', collocations=False, max_words=100, mask=mask)
    # 调用词云对象的 generate 方法，将文本传入
    wc.generate(param_str)
    # 将生成的词云以图片文件格式，保存在当前目录
    wc.to_file(relative_path + 'output-result.png')

jieba_words_list = get_jieba_words()
print('所获得 jieba 分词个数为：', len(jieba_words_list))

high_frequency_word_list = get_high_frequency_word(jieba_words_list)
print('所得高频分词前 100 分别是：', high_frequency_word_list[0:100])

cloud_words_str = get_cloud_words(high_frequency_word_list)
gen_and_save_wordcloud_img(cloud_words_str)
print('已成功生成「词云图」并保存在当前目录.')

以上，便是全部代码实现；倘若真正使用，请参考 play-with-python @wordcloud。这是因为在生成词云图，支持自定义背景图片、以及宽高、字体、背景色等；由此用到了指定的图片和字体。

如何使用

此代码片段基于 python3 运行，如果本机器 python 环境默认为 python3，则可以直接基于 pip、python 来运行命令。在个人本机上，一些 Web 开发工具仍依赖于 python2.6 ，也就未将 python3 修改默认环境。

安装依赖

pip3 install wordcloud jieba numpy

一键调用

python3 gen-wordcloud-img.py
#  OR
python gen-wordcloud-img.py

具体效果

个人很喜欢王小波先生、路遥先生。对王小波的杂文《工作与人生》，以及路遥先生的《早晨从中午开始》，基于这段脚本做下处理，来看下具体效果。

王小波《工作与人生》前 100 高频词汇词云图：

路遥先生《早晨从中午开始》前 100 高频词汇词云图：

2021，即将来临。稀里糊涂的、过了这波橘云诡的 2020，愿所有人，在新的纪元里，平安喜乐，如意吉祥。

于 2020 年 12 月 31 日，深圳.福田。