python3 爬虫&数据处理 爬取华为应用市场 APP应用评论(二)根据评论生成词云——小猿搜题
# 导入扩展库
import re # 正则表达式库
import collections # 词频统计库
import numpy as np # numpy数据处理库
import jieba # 结巴分词
import wordcloud # 词云展示库
from PIL import Image # 图像处理库
import matplotlib.pyplot as plt # 图像展示库
# 读取文件
fn = open('xiaoyuanComment.txt') # 打开文件
#string_data= open(fn,'r', encoding='UTF-8')
#string_data = fn.read() # 读出整个文件
with open('xiaoyuanComment.txt','rb') as f: # 打开新的文本
string_data = f.read().decode("utf-8") # 读取文本数据
fn.close() # 关闭文件
print(string_data)
# 文本预处理
pattern = re.compile(u'\t|\n|\.|-|:|;|\)|\(|\?|"') # 定义正则表达式匹配模式
string_data = re.sub(pattern, '', string_data) # 将符合模式的字符去除
# 文本分词
seg_list_exact = jieba.cut(string_data, cut_all = False) # 精确模式分词
object_list = []
remove_words = [u'的', u',',u'和', u'是', u'随着', u'对于', u'对',u'等',u'能',u'都',u'。',u' ',u'、',u',',u'!',u'中',u'在',u'了',
u'通常',u'如果',u'我们',u'需要',u'',u'很',u'用',u'我',u'可以',u'有',u'小猿',u'搜题',u'搜',u'非常',u'就',u'这个',u'也',
u'觉得',u'作业',u'要',u'题',u'到',u'有些',u'软件',u'不',u'就是',u'还是',u'但是',u'比',u'吧',u'跟'] # 自定义去除词库
for word in seg_list_exact: # 循环读出每个分词
if word not in remove_words: # 如果不在去除词库中
object_list.append(word) # 分词追加到列表
# 词频统计
word_counts = collections.Counter(object_list) # 对分词做词频统计
word_counts_top10 = word_counts.most_common(10) # 获取前10最高频的词
print (word_counts_top10) # 输出检查
# 词频展示
mask = np.array(Image.open('man.jpg')) # 定义词频背景
wc = wordcloud.WordCloud(
font_path='C:/Windows/Fonts/simhei.ttf', # 设置字体格式
#mask=mask, # 设置背景图
max_words=200, # 最多显示词数
max_font_size=100 # 字体最大值
)
wc.generate_from_frequencies(word_counts) # 从字典生成词云
#image_colors = wordcloud.ImageColorGenerator(mask) # 从背景图建立颜色方案
#wc.recolor(color_func=image_colors) # 将词云颜色设置为背景图方案
plt.imshow(wc, interpolation="bilinear") # 显示词云
plt.axis('off') # 关闭坐标轴
plt.show() # 显示图像
wc.to_file("小猿搜题.jpg")
代码说明:
xiaoyuanComment.txt是我的上一篇文章中从华为应用市场网页中爬取的用户评论
我的上一篇文章——>https://blog.csdn.net/weixin_45615730/article/details/108859366