Python分析3月政府工作報告

Simon_Zhou發表於2019-05-03
Python

概述

有時候我們抓不到一些文章裡面的重點，python裡jieba庫分詞很好的為我們提供了一個好的解決方案。下面就講一個實際使用的一個例子來說明。

首先，我們要將網頁的內容請求並解析出來，下面是政府工作報告的路徑：

www.gov.cn/premier/201…

利用request庫的get(url)方法請求拿到響應的資料，發現報告文字內容大多在段落p標籤中。可以引用BeautifulSoup的find_all()將p標籤中所有標籤拿到，再獲取裡面的內容。下面先封裝一下：

def extract_text(url):
    # 傳送url請求並獲取響應檔案
    page_source = requests.get(url).content
    bs_source = BeautifulSoup(page_source, "lxml")

    # 解析出所有的p標籤
    report_text = bs_source.find_all('p')

    text = ''
    # 將p標籤裡的所有內容都儲存到一個字串裡
    for p in report_text:
        text += p.get_text()
        text += '\n'

    return text複製程式碼

詞雲的使用

使用詞雲，首先得準備一張背景圖片，這裡使用了前面比較火的小豬佩奇的圖片。

Python分析3月政府工作報告

要讀入圖片，要使用matplotlib庫中pyplot模組的imread()方法。

import matplotlib.pyplot as plt
back_img = plt.imread('/peiqi.jpg') # 方法裡傳入圖片的路徑複製程式碼

下面介紹詞雲的基本使用：

    cloud = WordCloud(font_path= '/simhei.ttf',  # 若是有中文的話，這句程式碼必須新增，不然會出現方框，不出現漢字
                      background_color="white",  # 背景顏色
                      max_words=5000,  # 詞雲顯示的最大詞數
                      mask=back_img,  # 設定背景圖片
                      max_font_size=100,  # 字型最大值
                      random_state=42,
                      width=360, height=591, margin=2,  # 設定圖片預設的大小,但是如果使用背景圖片的話,儲存的圖片大小將會按照其大小儲存,margin為詞語邊緣距離
                      )複製程式碼

因為詞雲預設是不支援中文的，需要在網上搜尋支援的字型，然後將下載好的字型simhei.ttf放在專案裡面。

jieba分詞

下面按jieba的精確分詞模式將解析到的內容傳入，並傳入詞雲，生成圖形。

  for li in content:
        comment_txt += ' '.join(jieba.cut(li, cut_all=False))
    wc = cloud.generate(comment_txt)
    image_colors = ImageColorGenerator(back_img)
    plt.figure("wordc")
    plt.imshow(wc.recolor(color_func=image_colors))
    wc.to_file('2019年3月政府工作報告.png')複製程式碼

下面是完整的程式碼：

import matplotlib.pyplot as plt
import jieba
import requests
from bs4 import BeautifulSoup
from wordcloud import WordCloud, ImageColorGenerator

def extract_text(url):
    # 傳送url請求並獲取響應檔案
    page_source = requests.get(url).content
    bs_source = BeautifulSoup(page_source, "lxml")

    # 解析出所有的p標籤
    report_text = bs_source.find_all('p')

    text = ''
    # 將p標籤裡的所有內容都儲存到一個字串裡
    for p in report_text:
        text += p.get_text()
        text += '\n'

    return text

def word_cloud(content):
    comment_txt = ''
    back_img = plt.imread('/peiqi.jpg')
    cloud = WordCloud(font_path='/simhei.ttf',  # 若是有中文的話，這句程式碼必須新增，不然會出現方框，不出現漢字
                      background_color="white",  # 背景顏色
                      max_words=5000,  # 詞雲顯示的最大詞數
                      mask=back_img,  # 設定背景圖片
                      max_font_size=100,  # 字型最大值
                      random_state=42,
                      width=360, height=591, margin=2,  # 設定圖片預設的大小,但是如果使用背景圖片的話,儲存的圖片大小將會按照其大小儲存,margin為詞語邊緣距離
                      )
    for li in content:
        comment_txt += ' '.join(jieba.cut(li, cut_all=False))
    wc = cloud.generate(comment_txt)
    image_colors = ImageColorGenerator(back_img)
    plt.figure("wordc")
    plt.imshow(wc.recolor(color_func=image_colors))
    wc.to_file('2019年3月政府工作報告.png')

if __name__ == "__main__":
    url = 'http://www.gov.cn/premier/2019-03/16/content_5374314.htm'
    text = extract_text(url)
    word_cloud(text)複製程式碼
得到的效果如下所示：

Python分析3月政府工作報告

用詞雲顯示發現顯示得並不太直觀，下面用matplotlib的柱形圖將前10關鍵詞的數量顯示出來。這裡要重新優化一下詞雲的搜尋。

from collections import Counter
import numpy as np

def word_frequency(text):
    
    word_list = [] 
    count_list = [] 
    words = [word for word in jieba.cut(text, cut_all=True) if len(word) >= 2] # 返回所有分詞後長度大於等於2 的詞的列表
   # Counter是一個簡單的計數器，統計字元出現的個數

    c = Counter(words)
   for word_freq in c.most_common(10):
 # c.most_common(10) 返回一個列表，裡面每一個元素是一個元祖
        word, freq = word_freq
        word_list.append(word)
        count_list.append(freq)        
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 用來正常顯示中文標籤
    plt.rcParams['axes.unicode_minus'] = False  # 用來正常顯示負號
    colors = ['#00FFFF', '#7FFFD4', '#F08080', '#90EE90', '#AFEEEE', '#98FB98', '#B0E0E6', '#00FF7F', '#FFFF00', '#9ACD32']
    index = np.arange(10)
    plt.bar(index, count_list, color=colors, width=0.5, align='center')
    plt.xticks(np.arange(10), word_list)  # 橫坐軸標籤
    for x, y in enumerate(count_list):
        # 在柱子上方1.2處標註值 
       plt.text(x, y + 1.2, '%s' % y, ha='center', fontsize=10)
    plt.ylabel('出現次數')  # 設定縱座標標籤
    prov_title = '政府報告Top10關鍵詞
'   plt.title(prov_title)    # 設定標題
    plt.savefig('/政府報告Top10關鍵詞.png')  # 儲存圖片
    # 顯示
    plt.show()複製程式碼

這裡用到了collections裡的Counter將前10出現的詞彙及次數統計出來，遍歷出來分別放在兩個列表裡，然後設定在柱形圖座標軸上分別顯示出來。顯示效果如下：

Python分析3月政府工作報告

將詞雲的程式碼換成上面的函式呼叫即可。

if __name__ == "__main__":
    url = 'http://www.gov.cn/premier/2019-03/16/content_5374314.htm'
    text = extract_text(url)
     # word_cloud(text)
     word_frequency(text)複製程式碼



相關文章