Python实现词云图词频统计

import collections  # 词频统计库 import os import re  # 正则表达式库 import urllib.error  # 指定url，获取网页数据 import urllib.request import jieba  # 结巴分词 import matplotlib.pyplot as plt  # 图像展示库 import numpy as np  # numpy数据处理库 import pandas as pd import wordcloud  # 词云展示库 import xlwt  # 进行excel操作 from PIL import Image  # 图像处理库 from bs4 import BeautifulSoup  # 网页解析，获取数据 from pyecharts.charts import Bar  # 画柱形图 

pip install xlrd  -i https://pypi.tuna.tsinghua.edu.cn/simple

    # 可视化 data = pd.read_excel('豆瓣电影Top250.xls') df = data.sort_values('评分', ascending=False).head(25) v = df['影片中文名'].values.tolist()  # tolist()将数据转换为列表形式 d = df['评分'].values.tolist() # 设置颜色 color_series = ['#2C6BA0', '#2B55A1', '#2D3D8E', '#44388E', '#6A368B' '#7D3990', '#A63F98', '#C31C88', '#D52178', '#D5225B'] print("-----" * 15) bar = ( Bar() .add_xaxis([i for i in df['影片中文名'].values.tolist()]) .add_yaxis('评分前25名', df['评价数'].values.tolist()) ) bar.render("./条形图.html") print("柱形图保存成功！")

# 读取文件 fn = open('top250.txt', 'r', encoding='utf-8') string_data = fn.read() fn.close() 

    # 读取文件 fn = open('top250.txt', 'r', encoding='utf-8') string_data = fn.read() fn.close() # 文本预处理 pattern = re.compile(u'\t|\n|\.|-|:|;|\)|\(|\?|"')  # 定义正则表达式匹配模式 string_data = re.sub(pattern, '', string_data)  # 将符合模式的字符去除 # 文本分词 seg_list_exact = jieba.cut(string_data, cut_all=False)  # 精确模式分词 object_list = [] remove_words = [u'19', u'，', u'20', u'德国', u'导演', u'日本', u'法国', u'等', u'能', u'都', u'。', u' ', u'、', u'中', u'在', u'了', u'20', u'大陆', u'我们', u'美国']  # 自定义去除词库 for word in seg_list_exact:  # 循环读出每个分词 if word not in remove_words:  # 如果不在去除词库中 object_list.append(word)  # 分词追加到列表 # 词频统计 word_counts = collections.Counter(object_list) word_counts_top10 = word_counts.most_common(10) print(word_counts_top10)  # 输出检查 word_counts_top10 = str(word_counts_top10) # 词频展示 mask = np.array(Image.open('image.jpg-600')) wc = wordcloud.WordCloud( font_path='simfang.ttf', mask=mask, max_words=100,  # 最多显示词数 max_font_size=150,  # 字体最大值 background_color='white', width=800, height=600, ) wc.generate_from_frequencies(word_counts) plt.imshow(wc) plt.axis('off') plt.show() wc.to_file('wordcloud.png-600')

import collections  # 词频统计库 import os import re  # 正则表达式库 import urllib.error  # 指定url，获取网页数据 import urllib.request import jieba  # 结巴分词 import matplotlib.pyplot as plt  # 图像展示库 import numpy as np  # numpy数据处理库 import pandas as pd import wordcloud  # 词云展示库 import xlwt  # 进行excel操作 from PIL import Image  # 图像处理库 from bs4 import BeautifulSoup  # 网页解析，获取数据 from pyecharts.charts import Bar  # 画柱形图 def main(): baseurl = "https://movie.douban.com/top250?start=" # 获取网页 datalist = getDate(baseurl) savepath = ".\\豆瓣电影Top250.xls" # 保存数据 saveData(datalist, savepath) head = { "User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 85.0.4183.121Safari / 537.36" } # 影片详情链接规则 findLink = re.compile(r'')  # 创建正则表达式对象 # 影片图片的链接 findImgSrc = re.compile(r'(.*)') # 影片评分 findRating = re.compile(r'(.*)') # 评价人数 findJudge = re.compile(r'(\d*)人评价') # 概况 findInq = re.compile(r'(.*)') # 找到影片的相关内容 findBd = re.compile(r'
(.*?)
', re.S) # 爬取网页 def getDate(baseurl): datalist = [] x = 1 # 调用获取页面信息的函数(10次) for i in range(0, 10): url = baseurl + str(i * 25) html = askURL(url)  # 保存获取到的网页源码 # 逐一解析数据 soup = BeautifulSoup(html, "html.parser") for item in soup.find_all('div', class_="item"): data = []  # 保存一部电影的所有信息 item = str(item)  # 将item转换为字符串 # 影片详情链接 link = re.findall(findLink, item)[0] # 追加内容到列表 data.append(link) imgSrc = re.findall(findImgSrc, item)[0] data.append(imgSrc) titles = re.findall(findTitle, item) if (len(titles) == 2): ctitle = titles[0] data.append(ctitle)  # 添加中文名 otitle = titles[1].replace("/", "") data.append(otitle)  # 添加外国名 else: data.append(titles[0]) data.append(' ')  # 外国名如果没有则留空 rating = re.findall(findRating, item)[0] data.append(rating) judgeNum = re.findall(findJudge, item)[0] data.append(judgeNum) inq = re.findall(findInq, item) if len(inq) != 0: inq = inq[0].replace("。", "") data.append(inq) else: data.append(' ') bd = re.findall(findBd, item)[0] bd = re.sub('(\s+)?', " ", bd) bd = re.sub('/', " ", bd) data.append(bd.strip()) datalist.append(data)  # 把处理好的一部电影信息放入datalist # print(link) # 下载图片到本地 root = "D://moviePic//" path = root + str(x) + '.jpg-600' try: if not os.path.exists(root): os.mkdir(root) if not os.path.exists(path): # r = requests.get(imgSrc, headers=head) urllib.request.urlretrieve(imgSrc, path) # with open(path, 'wb') as f: #   f.write(r.content) #   f.close() print("下载第%d部电影封面" % (x)) x += 1 else: print("文件保存成功") except: print("下载失败") return datalist # 得到指定一个url的网页内容 def askURL(url): request = urllib.request.Request(url, headers=head) html = "" try: response = urllib.request.urlopen(request) html = response.read().decode("utf-8") except urllib.error.URLError as e: if hasattr(e, "code"): print(e.code)  # 打印错误信息 if hasattr(e, "reason"): print(e.reason)  # 打印错误原因 return html # 保存数据 def saveData(datalist, savepath): book = xlwt.Workbook(encoding="utf-8", style_compression=0)  # 创建workbook对象 sheet = book.add_sheet("豆瓣电影Top250", cell_overwrite_ok=True)  # 创建工作表 col = ('电影详情链接', "图片链接", "影片中文名", "影片外国名", "评分", "评价数", "概况", "相关信息") try: for i in range(0, 8): sheet.write(0, i, col[i])  # 输入列名 for i in range(0, 250): print("第%d条" % (i + 1)) data = datalist[i] for j in range(0, 8): sheet.write(i + 1, j, data[j]) book.save(savepath) except: print("爬取异常") if __name__ == '__main__': main() print("爬取完毕") # 可视化 data = pd.read_excel('豆瓣电影Top250.xls') df = data.sort_values('评分', ascending=False).head(25) v = df['影片中文名'].values.tolist()  # tolist()将数据转换为列表形式 d = df['评分'].values.tolist() # 设置颜色 color_series = ['#2C6BA0', '#2B55A1', '#2D3D8E', '#44388E', '#6A368B' '#7D3990', '#A63F98', '#C31C88', '#D52178', '#D5225B'] print("-----" * 15) bar = ( Bar() .add_xaxis([i for i in df['影片中文名'].values.tolist()]) .add_yaxis('评分前25名', df['评价数'].values.tolist()) ) bar.render("./条形图.html") print("柱形图保存成功！") # 读取文件 fn = open('top250.txt', 'r', encoding='utf-8') string_data = fn.read() fn.close() # 文本预处理 pattern = re.compile(u'\t|\n|\.|-|:|;|\)|\(|\?|"')  # 定义正则表达式匹配模式 string_data = re.sub(pattern, '', string_data)  # 将符合模式的字符去除 # 文本分词 seg_list_exact = jieba.cut(string_data, cut_all=False)  # 精确模式分词 object_list = [] remove_words = [u'19', u'，', u'20', u'德国', u'导演', u'日本', u'法国', u'等', u'能', u'都', u'。', u' ', u'、', u'中', u'在', u'了', u'20', u'大陆', u'我们', u'美国']  # 自定义去除词库 for word in seg_list_exact:  # 循环读出每个分词 if word not in remove_words:  # 如果不在去除词库中 object_list.append(word)  # 分词追加到列表 # 词频统计 word_counts = collections.Counter(object_list) word_counts_top10 = word_counts.most_common(10) print(word_counts_top10)  # 输出检查 word_counts_top10 = str(word_counts_top10) # 词频展示 mask = np.array(Image.open('image.jpg-600')) wc = wordcloud.WordCloud( font_path='simfang.ttf', mask=mask, max_words=100,  # 最多显示词数 max_font_size=150,  # 字体最大值 background_color='white', width=800, height=600, ) wc.generate_from_frequencies(word_counts) plt.imshow(wc) plt.axis('off') plt.show() wc.to_file('wordcloud.png-600')