当前位置:   article > 正文

【Python】读取PDF年报文件进行词频统计画词云和柱形图_python怎么对pdf进行词频统计

python怎么对pdf进行词频统计

用Python读取PDF年报文件进行词频统计画词云和柱形图

【Python】本文使用pdfplumber库读取江淮汽车2022年年报PDF文件,使用jieba库进行分词,从而进行词频统计,通过词频统计使用wordcloud库和matplotlib库画词云和柱形图

jieba库分词原理
◆ 提供中文词库 pip install jieba
◆ 将待分词的内容与分词词库进行比对
◆ 通过图结构和动态规划方法找到最大概率词组
◆ 增加自定义中文单词的功能

词云相关库
matplotlib:用于绘图的第三方库
wordcloud:用于词云展示的第三方库

注意!运行前请先下载字体库和江淮汽车2022年年报,链接如下:

链接:https://pan.baidu.com/s/1bxFcHqLfNtulJ-M3AS20AA?pwd=8et8
提取码:8et8

完整代码如下:

'''
读取江淮汽车2022年年报PDF文件,进行词频统计,通过词频统计画词云和柱形图
'''
import wordcloud
import matplotlib.pyplot as plt
import pdfplumber
import jieba
import string

# 读取年报内容
pdf = pdfplumber.open('江淮汽车2022年年度报告.pdf')
pages = pdf.pages
text_all = []
for page in pages:
    text = page.extract_text()
    text_all.append(text)
paper = ''.join(text_all)
pdf.close()

# 使用jieba分词
words = jieba.lcut(paper)
counts = {}
# 为每个词计数
for word in words:
    if word not in counts:
        counts[word] = 1
    else:
        counts[word] += 1

# 删除不需要的一些字符
chinese_punctuation = ',。!?;:‘’“”()【】《》〈〉「」『』〔〕—…-·、`√1234567890 □' # 中文标点符号和数字
for punctuation in string.punctuation + chinese_punctuation:
    try:
        del counts[punctuation]  # 删除标点符号
    except:
        continue
del counts['\n']  # 删除换行符

# 绘制词云
wc = wordcloud.WordCloud(
    font_path = 'simhei.ttf',  # 中文字体文件
    repeat=False,  # 词语不重复
    background_color = 'white',  # 背景颜色
    max_words = 100,  # 最大词语数量
    max_font_size = 120,  # 最大字体
    min_font_size = 10,  # 最小字体
)
wc.generate_from_frequencies(counts)
plt.imshow(wc)
plt.axis('off')  # 取消坐标轴
plt.show()

# 绘制柱形图 
plt.rcParams['font.sans-serif'] = 'SimHei'  # 中文字体
items = list(counts.items())
items.sort(key=lambda x:x[1], reverse=True)  # 从大到小排序
for item in items[:10]:
    word = item[0]
    number = item[1]
    plt.bar(word, number)
plt.show
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61

结果如下:

词云:

在这里插入图片描述

柱形图:

在这里插入图片描述

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/在线问答5/article/detail/878623
推荐阅读
相关标签
  

闽ICP备14008679号