目录
一、功能介绍
词云，即：对网络文本中出现频率较高的“关键词”予以视觉上的突出，形成“关键词云层”或“关键词渲染”，从而过滤掉大量的文本信息，使浏览网页者只要扫过一眼文本就可以领略文本的主旨。
本项目用来爬取豆瓣网上最新的电影评论（以最新上映的：异形：夺命舰 Alien: Romulus为例），经过数据清理和词频统计后进行词云展示。
二、关键技术
1、安装WordCloud
pip install wordcloud2、利用WordCloud
1、WordCloud的基础用法
class wordcloud.WordCloud(font path=None, width=400, height=200, margin=2, ranks only=None, prefer horizontal=0.9, mask=None, scale=1, color func=None, max words=200, min font size=4, stopwords=None, random state=None, background color='black', max font size=None, font step=1, mode='RGB', relative scaling=0.5, regexp=None, collocations=True, colormap=None, normalize_plurals=True)**相关参数介绍**
- font_path：需要展现什么字体就把该字体路径+扩展名写上，例如：font_path = ‘黑体.ttf’。
- width：输出的画布宽度，默认为400像素
- height：输出的画布高度，默认为200像素
- prefer_horizontal：词语水平方向排版出现的频率，默认为 0.9（所以词语垂直方向排版出现的频率为 0.1)。
- mask：如果该参数为空，则使用二维遮罩绘制词云；如果该参数非空，设置的宽高值将被忽略，遮罩形状将被 mask 取代。除了全白(#FFFFFF)部分不会绘制以外，其余部分会用于绘制词云。例如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。用户可以用 PS 工具将自己要显示的形状复制到一个纯白色的画布上，然后保存。
- Scale：按照比例放大画布，例如设置为1.5，则长和宽都是原来画布的 1.5 倍。
- min_font_size：显示的最小的字体大小。
- font_step：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：要显示的词的最大个数。
- stopwords：设置需要屏蔽的词，如果为空，则使用内置的STOPWORDS。
- background_color：背景颜色，例如 background color='white'，背景颜色为白色，默认颜色为黑色。
- max_font_size：显示的最大的字体大小。
- mode：当该参数为 “RGBA” 并且 background_color 不为空时背景透明。
- relative_scaling：词频和字体大小的关联性。
- color_func：生成新颜色的函数，如果为空，则使用selfcolor_func。
- regexp：使用正则表达式分隔输入的文本。
- collocations：是否包括两个词的搭配。
- colormap：给每个单词随机分配颜色，若指定color func，则忽略该方法。
**WordCloud 提供的方法如下**
- fit_words(frequencies)：根据词频生成词云。
- 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，中文分词还需要自己用其他库先行实现，使用上面的fit_words(fequencies))。
- recolor([random_state,color_func,colormap])：对现有输出重新着色，重新着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。
2、WordCloud的应用举例
from wordcloud import WordCloud, ImageColorGenerator, STOPWORDS
import matplotlib.pyplot as plt
from PIL import Image # 使用Pillow库代替scipy.misc.imread
import numpy as np
text = open('test.txt', 'r',encoding='utf-8').read() # 读取一个txt文件
bg_pic = Image.open('alice.png') # 读取背景图片
'''设置词云样式'''
wc = WordCloud(background_color='White', mask=np.array(bg_pic), font_path="simhei.ttf", max_words=2000, max_font_size=150,
random_state=30, scale=1.5)
wc.generate_from_text(text) # 根据文本生成词云
image_colors = ImageColorGenerator(np.array(bg_pic)) # 确保bg_pic是数组格式
plt.imshow(wc) # 展示词云图
plt.axis('off')
plt.show()
print('display success!')
# 保存词云图片
wc.to_file('test2.jpg')运行结果：
3、设置停用词
用户可以手动设置停用词，使得词云中不显示该词。
from os import path
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
from wordcloud import WordCloud, ImageColorGenerator, STOPWORDS # 词云包
# 读取整个文章
text = open('test.txt', 'r', encoding='utf-8').read() # 读取一个txt文件
# 读取遮罩/彩色图像
alice_coloring = np.array(Image.open('alice.png')) # 读取背景图片
# 设置停用词
stopwords = set(STOPWORDS)
stopwords.add("的") # 人工添加停用词
stopwords.add("了") # 人工添加停用词
# 可以通过mask参数来设置词云形状
wc = WordCloud(background_color='White', mask=np.array(alice_coloring), font_path="simhei.ttf", max_words=2000,
stopwords=stopwords, max_font_size=40,
random_state=42)
# 生成词云
wc.generate(text)
# 根据图片生成颜色
image_colors = ImageColorGenerator(np.array(alice_coloring)) # 确保bg_pic是数组格式
plt.imshow(wc, interpolation="bilinear") # 展示词云图
plt.axis('off')
plt.show()
# 保存词云图片
wc.to_file('test2.jpg')
运行结果：
4、WordCloud使用词频
import jieba.analyse
from PIL import Image, ImageSequence
import numpy as np
import matplotlib.pyplot as plt
from wordcloud import WordCloud, ImageColorGenerator, STOPWORDS # 词云包
lyric = ''
f = open('./test.txt', 'r', encoding='utf-8')
for i in f:
lyric += f.read()
# 用jieba对文章做分词，提取出词频高的前50个词
result = jieba.analyse.textrank(lyric, topK=50, withWeight=True)
keywords = dict()
for i in result:
keywords[i[0]] = i[1]
print(keywords)
运行结果：
三、程序设计的步骤
1、抓取网页数据
查找页面中id为'nowplaying'的div标签:
在找到的div标签内，查找所有class为'list-item'的li标签:
2、数据清洗
** 消除与数据分析无关的数据 **
1、正则表达式去除非中文字符：
pattern = re.compile(r'[^\w\s]')
cleaned_comments = pattern.sub('', comments)2、停用词过滤：
stopwords = set(STOPWORDS)
with open('./StopWords.txt', encoding="utf-8") as f:
stopwords.update(word.strip() for word in f)
keywords = {word: score for word, score in keywords.items() if word not in stopwords}3、使用jieba进行中文分词：
result = jieba.analyse.textrank(cleaned_comments, topK=150, withWeight=True)3、用词云进行展示
1、创建词云对象：
wordcloud = WordCloud(font_path="simhei.ttf", mask=np.array(bg_pic), background_color="white",
max_font_size=80, stopwords=stopwords).generate_from_frequencies(keywords)2、展示词云：
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off")
plt.show()3、打印成功信息：
print('词云展示成功!')四、实现代码
import warnings
import jieba
import jieba.analyse
import re
import matplotlib.pyplot as plt
import requests
from bs4 import BeautifulSoup as bs
from wordcloud import WordCloud, STOPWORDS
# 忽略警告
warnings.filterwarnings("ignore")
# 设置matplotlib图形大小
plt.rcParams['figure.figsize'] = (10.0, 5.0)
# 分析网页函数
def getNowPlayingMovieList():
url = 'https://movie.douban.com/nowplaying/guangzhou'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/127.0.0.0 Safari/537.36 Edg/127.0.0.0'
}
try:
resp = requests.get(url, headers=headers)
resp.raise_for_status() # 检查请求是否成功
html = resp.text
except requests.exceptions.HTTPError as errh:
print(f"HTTP错误: {errh}")
return []
except requests.exceptions.RequestException as err:
print(f"请求错误: {err}")
return []
soup = bs(html, 'html.parser')
nowplaying_movie = soup.find('div', id='nowplaying')
if not nowplaying_movie:
return []
nowplaying_movie_list = nowplaying_movie.find_all('li', class_='list-item')
nowplaying_list = []
for item in nowplaying_movie_list:
nowplaying_dict = {}
nowplaying_dict['id'] = item['data-subject']
nowplaying_dict['name'] = item.find('img')['alt']
nowplaying_list.append(nowplaying_dict)
return nowplaying_list
# 爬取评论函数
def getCommentsById(movieId, pageNum):
eachCommentList = []
if pageNum <= 0:
return eachCommentList
start = (pageNum - 1) * 20
url = f'https://movie.douban.com/subject/{movieId}/comments?start={start}&limit=20'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/127.0.0.0 Safari/537.36 Edg/127.0.0.0'
}
try:
resp = requests.get(url, headers=headers)
resp.raise_for_status() # 检查请求是否成功
html = resp.text
except requests.exceptions.HTTPError as errh:
print(f"HTTP错误: {errh}")
return []
except requests.exceptions.RequestException as err:
print(f"请求错误: {err}")
return []
soup = bs(html, 'html.parser')
comment_div_lits = soup.find_all('div', class_='comment')
for item in comment_div_lits:
if item.find('p'):
eachCommentList.append(item.find('p').text.strip())
return eachCommentList
def main():
NowPlayingMovie_list = getNowPlayingMovieList()
if not NowPlayingMovie_list:
print("没有获取到电影列表")
return
commentList = []
for i in range(1, 11): # 从第1页到第10页
comments_temp = getCommentsById(NowPlayingMovie_list[0]['id'], i) # 选择第几个电影来进行爬虫，[0]为第一个
commentList.extend(comments_temp)
comments = " ".join(commentList)
# 使用正则表达式去掉标点符号和非中文字符
pattern = re.compile(r'[^\w\s]')
cleaned_comments = pattern.sub('', comments)
# 使用jieba分词进行中文分词
result = jieba.analyse.textrank(cleaned_comments, topK=150, withWeight=True)
keywords = {word: weight for word, weight in result}
# 停用词集合
stopwords = set(STOPWORDS)
with open('./StopWords.txt', encoding="utf-8") as f:
stopwords.update(word.strip() for word in f)
# 过滤停用词
keywords = {word: score for word, score in keywords.items() if word not in stopwords}
# 创建词云
wordcloud = WordCloud(font_path="simhei.ttf", background_color="white",
max_font_size=80,
stopwords=stopwords).generate_from_frequencies(keywords)
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off")
plt.show()
print('词云展示成功!')
if __name__ == "__main__":
main()
五、最终效果展示
PS：当然也可以对上述词云进行上面介绍过的形状上的一些处理：
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
