python使用jieba模块进行文本分析和搜索引擎推广“旅行青蛙”数据分析实战_jieba 测试文本

1 需要导入的模块

import numpy as np
import pandas as pd

import jieba
import jieba.analyse

import matplotlib.pyplot as plt

plt.style.use('seaborn')  # 改变图像风格
plt.rcParams['font.family'] = ['Arial Unicode MS', 'Microsoft Yahei', 'SimHei', 'sans-serif']  # 解决中文乱码
plt.rcParams['axes.unicode_minus'] = False  # simhei黑体字 负号乱码 解决

1
2
3
4
5
6
7
8
9
10
11
12

2 中文分词基础步骤

2.1 载入数据

# 1 载入数据

# 写法1
with open(r'data\text.txt','r',encoding='GBk') as f:
    a = f.read()
    
# 写法2
with open('data\\text.txt','r',encoding='GBk') as f:
    a = f.read()
a
1
2
3
4
5
6
7
8
9
10

2.2 分词

• cut() 切割

#  2 分词
b = jieba.cut(a)
b  # 得到地址：<generator object Tokenizer.cut at 0x000001AE80FFBE48>
list(b) # 列表化
1
2
3
4

遍历一遍

for i in jieba.cut(a):
    print(i)
1
2

• lcut() 切割并列表化

# 分词后直接生成列表
c = jieba.lcut(a)
c
1
2
3

2.3 分词后的数据转回文本

# 3 分词后的数据转回文本
d = ' '.join(c)
d
1
2
3

2.4 保存分词后的文本为文本文件

#  4 保存分词后的文本为文本文件
with open(r'temp\20211022cut.txt','w',encoding='utf-8') as f:
    f.write(d)
1
2
3

3 添加自定义词典

a = '李小福是创新办主任也是云计算专家'
a
1
2

普通分词结果

jieba.lcut(a)
1

注意：自定义词典文本文件，如果使用Windows记事本编辑，读入Python列表时会带有文件头BOM，应该用高级编辑器去除

3.1 方法1：直接定义词典列表

# 应用自定义词典
# 注意：自定义词典文本文件，如果使用Windows记事本编辑，读入Python列表时会带有文件头BOM，应该用高级编辑器去除


# 方法1：直接定义词典列表
b = ['云计算', '创新办']

jieba.load_userdict(b)
jieba.lcut(a)
1
2
3
4
5
6
7
8
9

3.2 方法2：外部载入

# 3.2 方法2：外部载入
with open(r'data\custom.txt','r',encoding='utf-8') as f:
    b = f.read()
    
b = b.split('\n')
# b

jieba.load_userdict(b)
jieba.lcut(a)
1
2
3
4
5
6
7
8
9

• 方法2升级：输入路径直接应用自定义词典

# 方法2升级
jieba.load_userdict('data\custom.txt')

jieba.lcut(a)
1
2
3
4

4 动态增加或删除词典的词

# 动态增加或删除词典的词
a2 = '我们中出了一个叛徒'
jieba.lcut(a2)
1
2
3

• 两个词错误的分为1个词，删除词实现正确分词

删除jieba自带的词（不同于去停用词，不是删除词，而是重新分词）

# 两个词错误的分为1个词，删除词实现正确分词
jieba.del_word('中出') # 删除jieba自带的词（不同于去停用词，不是删除词，而是重新分词）
jieba.lcut(a2)
1
2
3

• 增加jieba的词

增加jieba的词，和自定义词典相比它可以动态增加词

# 增加jieba的词
jieba.add_word('出了')
jieba.lcut(a2)
1
2
3

• 恢复原状

# 恢复原状
jieba.add_word('中出')
jieba.del_word('出了')
jieba.lcut(a2)
1
2
3
4

• 调节词的词频

# 调节词的词频，使其能（或不能）被分出
# tune=True:执行词频调整，默认False不执行
jieba.suggest_freq(('中','出'),tune=True)
jieba.lcut(a2)
1
2
3
4

调整的词以字符串形式输入

# 调整的词以字符串形式输入
jieba.suggest_freq('一个叛徒',tune=True)
jieba.lcut(a2)
1
2
3

恢复jieba到原始状态

# 恢复jieba到原始状态
jieba.suggest_freq(('中出'),tune=True)
jieba.suggest_freq(('一个','叛徒'),tune=True)
jieba.lcut(a2)
1
2
3
4

5 去停用词

• 与上面相反，当一个字符串不是词，jieba误将其分为词，或者我们不想将某些不重要的词分出来（想删掉某些分出的词）可以自定义停用词词典
• 停用词就是要从分词结果删掉的垃圾无用词
• 词典中的词不会出现在分词结果中
• 停用词词典的内容可以根据项目不断增加

原始代码

# 去停用词
a = '哎，鹅，听说你超级喜欢小游戏的！你是吗？'
a
1
2
3

普通分词

b = jieba.lcut(a)
b
1
2

• 去停用词功能jieba不带，需自行实现。下面是实现

先载入停用词

# 载入停用词
# 方法1：手工构造停用词列表
stopword = ['哎','的','是','你','吗','！','，', '？']

# 方式2：载入停用词文件
# with open(r'data\stopword.txt','r',encoding='utf-8') as f:
# #     print(f.read())
#     s = f.read()
    
# stopword = s.split('\n') # 会用转译字符'\\u3000','\\n'出现，需要删除

# 方式2提升，若停用词表的特殊词载入时被自动转义，可以判断并恢复
stopword = []
with open(r'data\stopword.txt','r',encoding='utf-8') as f:
    for line in f.readlines():
        l = line.strip()
        if l == '\\u3000':
            l = '\u3000'
        if l == '\\n':
            l = '\n'
        
        stopword.append(l)
        
stopword
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

特殊字符恢复成功

• 去停用词,第一步，求差集

# 去停用词,第一步，求差集
x = np.array(b)
x

y = np.array(stopword)
y

# 目的：将分词数组内停用词数组有的值删除
# np.in1d(x,y)

z = x[~np.in1d(x,y)] #反运算 加“~”
z
1
2
3
4
5
6
7
8
9
10
11
12

• 第二步：去掉1个字以下的词

# 第二步：去掉1个字以下的词
k = []

# 遍历写法
# for i in z:
# #     print(len(i))  #查看各个词组的字数
#     if len(i) > 1:
#         k.append(i)

# 列表生成式写法
k = [i for i in z if len(i) > 1]
k
1
2
3
4
5
6
7
8
9
10
11
12

5.2 精确分词和模糊分词

python使用jieba实现中文分词去停用词方法示例

1 精确模式，试图将句子最精确地切开，适合文本分析；

2 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；

3 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

seg_list1 = jieba.cut("我去过清华大学和北京大学。")

seg_list2 = jieba.cut("我去过清华大学和北京大学。", cut_all=True)

seg_list3 = jieba.cut_for_search("我去过清华大学和北京大学。")
1
2
3
4
5

输出的值由于是cut方法，需要列表化输出

list(seg_list1),list(seg_list2),list(seg_list3)
1

6 抽取文档关键词

抽取文档关键词用于在一篇文章中获取其核心内容（描述了什么？），又叫 生成摘要、打标签、关键词提取等

6.1 词频统计（词频分析）

• 词在文本中出现的次数（频次），某种程度上能当做文本的标签，表示文本内容
• 不是很精准
• 统计前最好先去完成自定义词典和去停用词的前期操作

源数据

# 词频统计（词频分析）
a = '哎，鹅，听说你超级喜欢小游戏的！你是吗？哎，鹅'

# 略过自定义词典、去停用词
x = jieba.lcut(a)
x
1
2
3
4
5
6

• 方法1 ： 转换为Series结构

#方法1

pd.Series(x).value_counts()
1
2
3

• 方法2：转换成DataFrame结构

#方法2

pd.DataFrame(x)
# pd.DataFrame(x).value_counts() # 方法2.1
pd.DataFrame(x).groupby(0).size().sort_values(ascending=False)
1
2
3
4
5

6.2 案例：分析Python互联网招聘信息中的需求关键字

载入文本数据

# 案例：分析Python互联网招聘信息中的需求关键字

# 载入文本数据
with open(r'data\work.txt','r',encoding='utf-8') as f:
    txt = f.read()
    
print(txt)
1
2
3
4
5
6
7

6.2.1 方式1：使用词频方式提取关键词

• 按3，4，5步骤走一遍

# 方式1：使用词频方式提取关键词

# 1 自定义词典
jieba.load_userdict(r'data\custom.txt') 

# 2 分词
w = jieba.lcut(txt)
w

# 3 去停用词
# 载入停用词表
stopword = []
with open(r'data\stopword.txt','r',encoding='utf-8') as f:
    for line in f.readlines():
        l = line.strip()
        if l == '\\u3000':
            l = '\u3000'
        if l == '\\n':
            l = '\n'
        
        stopword.append(l)
        
# 4 去停用词
# 第一步，求差集
x = np.array(w)
y = np.array(stopword)
z = x[~np.in1d(x,y)] # 反向求差

# 第二步，去掉1个字以下的词
k = [i for i in z if len(i) > 1]

k
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

• 统计词频

# 计算词频并排序

result = pd.Series(k).value_counts()[:20]
result
1
2
3
4

• 保存结果

# 保存结果
result.to_csv(r'temp\20211022keyword.csv',header=0)
1
2

• 局限性：统计词频作为文档关键字的准确性不高，还可使用下面的方式

TF-IDF算法 Text-Rank算法 注：TF-IDF和Text-Rank算法运行都不需要手动去停用词，可以用内置函数自动去停用词

6.2.2 方式2：使用TF-IDF权重算法提取关键词（注重信息量）

TF-IDF权重：

词频和重要词的综合分数(权重)

重要词：信息量大的词
1
2
3

• 一个词信息量大小的衡量

在本文章出现的次数多，在通用文档库出现的次数少，就是重要词

如：你我他，你好再见 这些词信息量很小
行业专有名词，如Python/MySQL，信息量就很大
1
2

• 首先，应用自定义词典
• 然后，去除停用词，系统自带，给抽取关键字用

# 使用TF-IDF权重算法提取关键词

jieba.load_userdict('data\custom.txt')  # 应用自定义词典
jieba.analyse.set_stop_words('data\stopword.txt')  # 抽取关键词前去掉自定义停用词

txt
1
2
3
4
5
6

-不需要手动分词，方法会自动分词后抽取关键字

# 不需要手动分词，方法会自动分词后抽取关键字
jieba.analyse.extract_tags(txt)
1
2

• 查看详细参数

# 详细参数：

# 字符串
# 返回多少关键词，默认20个
# 是否返回TF-IDF权重
# allowPOS=(),什么词性可以做抽取，默认所有词
k = jieba.analyse.extract_tags(txt,topK=30,withWeight=True)
k
1
2
3
4
5
6
7
8

6.2.3 方式3：Text-Rank算法（注重文本）

• 词性标注

# 附：词性标注

a
list(jieba.posseg.cut(a))
1
2
3
4

# 方式3：Text-Rank算法（注重文本）

# 文本
# 显示多少词
# 是否返回关键字权重
# allowPOS=(),什么词性可以做抽取，默认所有词

t = jieba.analyse.textrank(txt,topK=20,withWeight=True,allowPOS=('ns', 'n', 'vn', 'v'))
t
1
2
3
4
5
6
7
8
9

7 词云-WordCloud

安装 WordCloud库

如系统未安装C++编译库，WordCloud库需要下载whl再使用pip安装
http://www.lfd.uci.edu/~gohlke/pythonlibs/#wordcloud
命令行本地安装：pip install e:/wordcloud‑1.8.0‑cp37‑cp37m‑win_amd64.whl

7.1 案例：为《大话西游》台词节选绘制词云

需要用的库

import numpy as np
import matplotlib.pyplot as plt

import jieba
from wordcloud import WordCloud
from PIL import Image
1
2
3
4
5
6

• 数据载入、分词并转化成文本
  • 注意：不用print输出会看见换行符“\n”，例如这样

with open(r'data\大话西游.txt','r',encoding='utf-8') as f:
    txt = f.read()

# print(txt)  # 不用print输出会看见换行符“\n”
txt
1
2
3
4
5

比较稳妥的写法：

#  案例：为《大话西游》台词节选绘制词云

# 数据载入
with open(r'data\大话西游.txt','r',encoding='utf-8') as f:
    txt = f.read()

# print(txt)  # 不用print输出会看见换行符“\n”
txt2 = ' '.join(jieba.cut(txt))
print(txt2)
1
2
3
4
5
6
7
8
9

• 载入停用词

# 停用词

# 方式2：载入停用词文件
with open(r'data\stopword.txt','r',encoding='utf-8') as f:
#     print(f.read())
    s = f.read()
    
stopword = s.split('\n') # 会用转译字符'\\u3000','\\n'出现，需要删除

stopword
1
2
3
4
5
6
7
8
9
10

• 基本版词云

wordcloud = WordCloud(font_path=r'data\font\arial unicode ms.ttf').generate(txt2)
wordcloud

# 显示
plt.figure(figsize=(18,10))
plt.imshow(wordcloud)
1
2
3
4
5
6

• 词云优化

# 词云优化

wordcloud = WordCloud(
    font_path="data/font/xjlFont.fon",  # 字体，不设置则汉字乱码
    background_color='white',# 设置背景颜色
    max_words=80, # 设置最大现显示词数
    max_font_size=80, # font_size可选
    stopwords=stopword,  # 去停用词
).generate(txt2)
wordcloud

plt.figure(figsize=(18,10),dpi=72)
plt.imshow(wordcloud) # 绘制数据内的图片,双线性插值绘图 interpolation='bilinear'
plt.axis("off") # 去掉坐标轴

plt.savefig(r'temp\20211022test3.png',dpi=300,bbox_inches='tight')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

7.2 自定义背景的词云图

使用的背景

# 自定义背景的词云图
alice_mask = np.array(Image.open('data/timg.jpg'))
plt.imshow(alice_mask)
1
2
3

• 插入背景

# 词云优化

wordcloud = WordCloud(
    font_path="data/font/xjlFont.fon",  # 字体，不设置则汉字乱码
    background_color='white',# 设置背景颜色
    max_words=80, # 设置最大现显示词数
    max_font_size=80, # font_size可选
    stopwords=stopword,  # 去停用词
    mask=alice_mask #设置背景图片
).generate(txt2)
wordcloud

plt.figure(figsize=(18,10),dpi=72)
plt.imshow(wordcloud) # 绘制数据内的图片,双线性插值绘图 interpolation='bilinear'
plt.axis("off") # 去掉坐标轴

plt.savefig(r'temp\20211022test3.png',dpi=300,bbox_inches='tight') # 保存为：带有最小白边且分辨率为300DPI的PNG图片
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

8 实战之分析产品：手游《旅行青蛙》的网络推广策略

8.1 思路

• 根据百度指数热门程度判断游戏流行时间和流行度
• 数据获取：抓取百度新闻 旅行青蛙 （按标题或内容查询）关键字的文字标题和相关信息

8.2 资源

• 百度指数：http://index.baidu.com/
• 百度新闻：http://news.baidu.com/

8.3 推荐使用技术

• 数据获取
  • 爬虫：抓取内容，百度新闻
    • 标题
    • 来源
    • 时间，精确到日
  • 数据清洗：先抓取数据保存，然后再进行清洗
    • 字符串清理规整建议使用Python原生字符串处理函数实现
    • 例如：join(),replace(),split(),remove(),append()等等
• 非结构化数据分析
  • 分词
  • 词云
• 结构化数据分析
  • Pandas数据预处理和数据分析
    • 分组聚合
    • 可视化

8.4 实操之数据预处理

导入可能需要的库

import time
import json

import requests
from lxml import etree

import numpy as np
import pandas as pd

from bs4 import BeautifulSoup
1
2
3
4
5
6
7
8
9
10

8.4.1 百度指数 数据手动录入后生成表格

• 在百度指数中输入关键词，卡特定的时间，手动输入数据
• 生产dataframe结构

# 百度指数 数据手动录入后生成表格

baidu = [5408,10007,17817,39514,82117,140768,298637,406072,677541,858690,839792,744390,653541,496701,390412,322492,256334,212914,180933,157411,140104,120038,125914,105679,88426,75185,66567,61036,54812,49241,42768,35784,33774,33621,34388]
# len(baidu) # 35

date = pd.date_range('2018-1-15','2018-2-18')
date.shape # 35

baidu2 = pd.DataFrame(baidu,index=date,columns=['baidu_index'])
baidu2.head()
1
2
3
4
5
6
7
8
9
10

• 保存数据

# 保存数据

baidu2.to_csv(r'data2/baidu_index.csv')
1
2
3

• 读取数据

# 读取数据

# parse_dates参数作用:将csv中的时间字符串转换成日期格式
baidu = pd.read_csv(r'data2/baidu_index.csv',parse_dates=['Unnamed: 0']).set_index('Unnamed: 0') 
baidu

# 将原有的索引名“Unnamed: 0”换值
baidu.index.name = 'date'

# 查看前5行和后5行数据
baidu.head().append(baidu.tail())
1
2
3
4
5
6
7
8
9
10
11

• 检查数据类型

# 检查数据类型

# 原来第一列日期变成了索引列，只剩一行
baidu.info()
1
2
3
4

baidu.describe()
1

8.4.2 百度新闻 内容数据抓取

• 具体实施：
  • 根据百度指数热门程度直观分析，抓取百度新闻 旅行青蛙 （按时间排序，媒体网站）关键字的文字标题和相关信息，
    时间从 2018-1-15到2018-2-18日
  • 目前是（临时使用）：新闻页码1-11，每页10条，一共11页（页码pn参数值为0-100）
  • 随着时间变化，新闻增加，抓取页码也应该跟着变化

起始页：https://www.baidu.com/s?wd=%E6%97%85%E8%A1%8C%E9%9D%92%E8%9B%99&pn=0&oq=%E6%97%85%E8%A1%8C%E9%9D%92%E8%9B%99&tn=baiduhome_pg&ie=utf-8&rsv_idx=2&rsv_pq=97f74ecb000e439a&rsv_t=203awND%2FceKGrqADsjLbpJsi0pW3tFrpcVUE23%2FtFWcPLT5Vnz80grVRZHTmbfvED9KL&gpc=stf%3D1515945600%2C1518883200%7Cstftype%3D2&tfflag=1

终止页：https://www.baidu.com/s?wd=%E6%97%85%E8%A1%8C%E9%9D%92%E8%9B%99&pn=100&oq=%E6%97%85%E8%A1%8C%E9%9D%92%E8%9B%99&tn=baiduhome_pg&ie=utf-8&rsv_idx=2&rsv_pq=be7a7ece000eb2a4&rsv_t=cd1cpTDUXK0oMiSFOSxFIcW08CH2acCb6aTII9RykE452zK8WubRYR059Czcuc1Zulyw&gpc=stf%3D1515945600%2C1518883200%7Cstftype%3D2&tfflag=1
1
2
3

测试一下目标网址页数和pn值的关系是否对应

%%time
# 测试

page = 1 
url_page = (page-1) * 10
while page <= 11:
    print('url参数：',url_page,'页数：',page)
    url_page += 10
    page += 1
    time.sleep(0.2)
1
2
3
4
5
6
7
8
9
10

是有一定数量关系的

• 锁定目标抓取数据

需要注意的小问题

1. 抓取的数据本身如果有空格，在编译的时候会输出字符\xa0 ，使用join和split的组合方法去掉

''.join(i.get_text().split())  
# split方法输出的是列表
# join方法输出的是字符串，刚好配合起来
1
2
3

想要的输出的结果：

2. 使用过beautifulsoup模块下的select方法会输出特定标签下的所用文本

例如该标签下的所有文本中，仍然有标签，而且标签内还有文本，也会一个输出

输出的效果：时间和摘要连在了一起

3. select方法会输出特定标签下的所用文本，而且输出的是列表值，如果要对select后找到的标签继续查找，可以将“这个列表”的元素抽出来继续查找

例如：
在列表后面命令输出第0个值

source = i.select('div[class="f13 c-gap-top-xsmall se_st_footer user-avatar"]')[0].select('a')[0].get_text()
1

4. 有时候匹配找到的标签下面没有值，但代码依然是命令赋值给对象，但原本就已经找不到，还赋值的话就会报错，如：

IndexError: list index out of range 
1

解决方法是增加try except语句，如果报错就添加特定字符，如：

        try:
            date = i.select('.c-abstract')
            dict['date'].append(''.join(date[0].get_text().split()))
        except:
        
            print('空值')
            dict['date'].append(''.join('青蛙'))    
1
2
3
4
5
6
7

• 抓取数据写法1（不建议）：将所有特定标签找出来，放在对应的列表，但可能会出现标签与标签之间数据量不一样的情况，如：
  
  由于方法存在缺陷，有些值并没有抓取。。。。。 这里仅展示部分完成的代码

%%time
# 数据抓取

data_list = [] # 创建空列表储存数据

# 请求头
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36'
}

# 按时间顺序抓取，页码1-11的pn值为0-100
page = 1 
url_page = (page-1) * 10
while page <= 1:
    print('url参数：',url_page,'页数：',page)
#     创建空字典存储得到的数据，并将该列表添加进空列表c
    dict = {'page':page,'title':None,'source':None,'date':None,'url':None}
#     print(dict)


#     写法1
# ============================================
#     网址
    url = 'https://www.baidu.com/s?wd=%E6%97%85%E8%A1%8C%E9%9D%92%E8%9B%99&pn={}&oq=%E6%97%85%E8%A1%8C%E9%9D%92%E8%9B%99&tn=baiduhome_pg&ie=utf-8&rsv_idx=2&rsv_pq=97f74ecb000e439a&rsv_t=203awND%2FceKGrqADsjLbpJsi0pW3tFrpcVUE23%2FtFWcPLT5Vnz80grVRZHTmbfvED9KL&gpc=stf%3D1515945600%2C1518883200%7Cstftype%3D2&tfflag=1'.format(url_page)
#     得到响应并解码
    res = requests.get(url,headers=headers).content.decode()
#     print(res)
#     转类型
    soup = BeautifulSoup(res,'lxml')
#     print(soup)

#     匹配
#     1 匹配标题
    title = soup.select('.t')
#     print(len(title))
    dict['title'] = [i.get_text() for i in title]
#     添加进字典
    
    print('标题个数：',len(dict['title']))
    
#     2 匹配摘要
    date = soup.select('.c-abstract')
#     print(len(date))
#     print(date)
#     摘要部分包含了时间，但时间后面带了一个空格，
# 在编译的时候会输出字符\xa0 ，使用join和split的组合方法去掉
    dict['date'] = [''.join(i.get_text().split()) for i in date]
#     print(dict['date'])
    print('摘要个数：',len(dict['date']))
    
#     3 匹配时间
    t = soup.select('span[class="newTimeFactor_before_abs c-color-gray2 m"]')
#     print(t)
    dict['time'] = [''.join(i.get_text().split()) for i in t]
#     print(dict['time'])
    print('时间个数：',len(dict['time']))
    
    print('第{}页'.format(str(page)))
    print(dict)
    print('===========================')
    print('===========================')
    
    
    
    url_page += 10
    page += 1
    time.sleep(0.2)
    
# 由于方法存在缺陷，有些值并没有抓取。。。。。    
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
62
63
64
65
66
67
68
69

得到的数据其实并不相等，而且随着页数的增加，更难去手动添加，对于这个问题，推荐使用方法2

• 爬取方法2（推荐）：匹配每一个文章块标签（包含了每个部分想找的东西的标