Java 词云（超详细）_java词云-CSDN博客

本文链接：https://blog.csdn.net/yanghezheng/article/details/123360987

本文介绍了如何使用Java和Kumo库生成词云，展示了词云在文本数据分析中的应用。通过配置库的选项，可以自定义词云的外观、颜色和字体，适用于文本分析、社交媒体监测、市场反馈分析等多个场景。同时，文章也指出了词云生成的优缺点，并给出了适用的场景示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言

当我们想要对文本数据进行可视化分析时，词云是一个强大的工具，可以帮助我们直观地理解文本中的关键词和频率。在本文中，我们将介绍如何使用Java编写一个简单的词云生成程序，并用它分析一段示例文本。

一、什么是词云？

词云是一种可视化工具，用于显示文本数据中的关键词，并根据关键词的频率和重要性将它们呈现为视觉效果。通常，出现频率较高的关键词会以较大的字体大小显示，而出现频率较低的关键词会以较小的字体大小显示，从而帮助我们快速了解文本数据的主要内容。

二、使用Java生成词云

我们将使用Java中的一些库来生成词云。首先，确保你的项目中包含以下库的依赖：

依赖引入

        <!-- 词云 -->
        <dependency>
            <groupId>com.kennycason</groupId>
            <artifactId>kumo-core</artifactId>
            <version>1.27</version>
        </dependency>

        <dependency>
            <groupId>com.kennycason</groupId>
            <artifactId>kumo-tokenizers</artifactId>
            <version>1.27</version>
        </dependency>

代码实现

package com.atguigu.paymentdemo.controller;

import com.kennycason.kumo.CollisionMode;
import com.kennycason.kumo.WordCloud;
import com.kennycason.kumo.WordFrequency;
import com.kennycason.kumo.bg.CircleBackground;
import com.kennycason.kumo.font.KumoFont;
import com.kennycason.kumo.font.scale.SqrtFontScalar;
import com.kennycason.kumo.nlp.FrequencyAnalyzer;
import com.kennycason.kumo.nlp.tokenizers.ChineseWordTokenizer;
import com.kennycason.kumo.palette.LinearGradientColorPalette;

import java.awt.*;
import java.util.*;
import java.util.List;


class T00_WordCountSample {
    public static void main(String[] args) {
        createWordCountPic();
    }

    private static void createWordCountPic(){
        FrequencyAnalyzer frequencyAnalyzer = new FrequencyAnalyzer();
        frequencyAnalyzer.setWordFrequenciesToReturn(600);
        frequencyAnalyzer.setMinWordLength(2);
        frequencyAnalyzer.setWordTokenizer(new ChineseWordTokenizer());
        // 可以直接从文件中读取
        //List<WordFrequency> wordFrequencies = frequencyAnalyzer.load(getInputStream("D:\\citydo-one\\技术\\Java_Note-master\\python\\tp\\Trump.txt"));
        List<WordFrequency> wordFrequencies = new ArrayList<>();
        // 用词语来随机生成词云
        String strValue = "菠萝=20, 草莓=20, 苹果=10, 西红柿=15, 榴莲=15,  西瓜=4, 猕猴桃=4, 火龙果=4";

        //以逗号为分割号
        String[] split = strValue.split(", ");
        String word = "";
        int count = 0;

        for (int i = 0; i < split.length; i++) {
            String[] wordInfo = split[i].split("=");
            word = wordInfo[0];
            count = Integer.valueOf(wordInfo[1]);
            wordFrequencies.add(new WordFrequency(word, count));
        }
        //加入分词并随机生成权重，每次生成得图片都不一样
        //test.stream().forEach(e-> wordFrequencies.add(new WordFrequency(e,new Random().nextInt(test.size()))));
        //此处不设置会出现中文乱码
        java.awt.Font font = new java.awt.Font("STSong-Light", 2, 18);
        //设置图片分辨率
        Dimension dimension = new Dimension(500, 500);
        //此处的设置采用内置常量即可，生成词云对象
        WordCloud wordCloud = new WordCloud(dimension, CollisionMode.PIXEL_PERFECT);
        //设置边界及字体
        wordCloud.setPadding(2);
        //因为我这边是生成一个圆形,这边设置圆的半径
        wordCloud.setBackground(new CircleBackground(255));
        wordCloud.setFontScalar(new SqrtFontScalar(12, 42));
        //设置词云显示的三种颜色，越靠前设置表示词频越高的词语的颜色
        wordCloud.setColorPalette(new LinearGradientColorPalette(Color.RED, Color.BLUE, Color.GREEN, 30, 30));
        wordCloud.setKumoFont(new KumoFont(font));
        wordCloud.setBackgroundColor(new Color(255, 255, 255));
        //因为我这边是生成一个圆形,这边设置圆的半径
        wordCloud.setBackground(new CircleBackground(255));
        wordCloud.build(wordFrequencies);
        //生成词云图路径
        wordCloud.writeToFile("E:\\词云.png");
    }
}

Java生成词云是一种用于文本数据可视化的强大工具，但它也有一些优点和缺点，下面分别列举了这些方面：

三、优缺点

优点：

可自定义性强：Java生成词云的库通常提供了丰富的自定义选项，可以控制词云的外观、颜色、字体等，以满足不同需求。
适用于大规模数据：Java生成词云的库通常能够处理大规模的文本数据，生成高质量的词云图像。
与Java生态系统集成：由于Java是一种流行的编程语言，Java生成词云的库通常能够与Java生态系统中的其他库和工具无缝集成，使得生成词云更加方便。
支持多种输出格式：Java生成词云的库通常支持将词云导出为图像文件（如PNG、JPEG）或矢量图形文件（如SVG），以满足不同的需求。
广泛的文档和社区支持：由于Java生成词云的库比较成熟，有丰富的文档和活跃的社区支持，可以帮助开发人员解决问题和学习如何使用这些库。

缺点：

复杂性：生成词云可能涉及到许多配置选项和参数，对于初学者来说可能会感到复杂。
性能：处理大规模文本数据并生成复杂的词云图像可能需要较多的计算资源，可能导致性能问题。
生成结果可能需要调整：尽管有丰富的自定义选项，但生成的词云图像可能需要进一步调整和优化，以满足特定需求。
不适用于非文本数据：Java生成词云主要用于文本数据的可视化，不适用于其他类型的数据。
有时需要额外的库或工具：要生成词云，通常需要使用专门的库或工具，需要额外的学习和集成工作。
对文本质量和预处理要求高：生成词云的质量取决于输入文本的质量和预处理，如果文本质量较差或者没有进行适当的预处理，生成的词云可能不准确或无法反映关键信息。