人民的名义》小说文本分析

你只要不干坏事，就没人能坏你的事。

 ——《人民的名义》经典语录

《人民的名义》，听说很好看。一向不喜欢看电视的我还是想了解一下这部剧，可是又不想花时间去看剧，怎么办呢？我就考虑把小说拿来文本分析一下，以此来满足我小小的好奇心！

这是我从网上下载的.txt格式的小说——《人民的名义》，一共有54个章节。

鉴于没有看过《人民的名义》，我想知道剧中主角是谁，有哪些演员，于是我百度了一下，《人民的名义》角色，把它们都爬取下来了。

根据标签的结构，我发现角色处于<a>、<span>标签中，前面一部分在<a>标签中，中间既有<a>标签也有<span>标签，最后一部分只有<span>标签。这个爬虫本身不难，只是结构不很人性化！所以可以看到：我用了好多条件选择语句。

爬取的Python代码如下：

下面我用R语言的基于rjava包的Rwordseg包分词，然后画词云可视化。

（1）、导入相应的包与停词库

用到的包：rjava、Rwordseg、wordcloud，其它需要的包会自动加载进去。

当然了，rjava包是基于java环境的，需要安装jdk，并配置相应的java环境变量；这里停词库用的是【四川大学机器智能实验室停用词库】，网上都可以下载的到，当然了，我还根据实际情况添加了一些词。

我这个人喜欢做笔记，这是我总结的java环境变量配置过程：

1、新建系统变量JAVA_HOME;变量值为jdk的路径比如我习惯性的路径：D:\Program Files\Java\jdk1.7.0_79；

下面是导入相应的包与停词库：

（2）、分词、词云保存函数的构造

一共有54个章节，我想分别词云分析一下，在每个章节里的情况。我写了一个函数plt()，功能为生成词云并且保存到本地。

其实在这里，我遇到了一个坑。分词、停词后的列联表会有缺失，开始一直没发现，后来发现了，就去缺失值。而且，去除缺失值前提是序列里确实有缺失值，否则会把完整的没缺失的变成缺失。因为我用的语句是：

a <- which(dat_pure %in% NA)

dat_pure <- dat_pure[-a]

这时候，又到了与女同学跑步的时间了，算了，跑步再说吧。结果跑步回来后，就想起来了，哈哈。

后来，我将上面一句调整为：

a <- which(dat_pure %in% NA)

  if(length(a)>0){

    dat_pure <- dat_pure[-a]

  }

每次去缺失前做一个判断，其实上次遇到过，这次还是不长记性，不过好在解决了。

函数主体部分：

（3）、调用函数

循环读取小说的54个章节，调用函数代码如下：

保存的词云图：

随便打开，发现就那么就个人，在小说中出现的频率最高，应该是几个主要演员。

随便打开第14张图片如下：

第45张图：

（4）、整部小说分词、画词云

下面，我想整体分析一下，在整部小说中的人物情况。我考虑把54个章节的内容全部整合到一起，画词云。

下面是主要代码：

生成的词云如下：

我们可以看到，词云上的人名就是《人名的名义》主人公，这与我网上爬取的角色前几名保持一致：

侯亮平、李达康、沙瑞金、高育良、祁同伟、陆亦可、钟小艾、高小琴、吴惠芬、欧阳菁

如果感兴趣，回复“人民”即可获得源码。

点击【阅读原文】，免费课程限时送！欢迎留言，觉得不错，记得点赞分享哦！