【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

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：

柱形图：