这是我参与8月更文挑战的第5天，活动详情查看：8月更文挑战
词云也叫文字云，是一种可视化的结果呈现，常用在爬虫数据分析中，原理就是统计文本中高频出现的词，过滤掉某些干扰词，将结果生成一张图片，直观的获取数据的重点信息。今天，我们就来学习一下Python生成词云的常用库wordcloud。
安装：pip install wordcloud
github项目：github.com/amueller/wo…
wordcloud对象有很多参数设定，可以绘制不同形状、颜色和尺寸的词云图。
WordCloud对象常用参数
| 参数 | 说明 |
|---|---|
| font_path | 设置字体，指定字体文件的路径 |
| width | 生成图片宽度，默认400像素 |
| height | 生成图片高度，默认200像素 |
| mask | 词云形状，默认使用矩形 |
| min_font_size | 词云中最小的字体字号，默认4号 |
| font_step | 字号步进间隔，默认1 |
| max_font_size | 词云中最大的字体字号，默认根据高度自动调节 |
| max_words | 词云显示的最大词数，默认200 |
| stopwords | 设置停用词（需要屏蔽的词），停用词不在词云中显示，默认使用内置的STOPWORDS |
| background_color | 图片背景颜色，默认黑色 |
WordCloud常用方法
| 方法 | 功能 |
|---|---|
| generate(text) | 加载词云文本 |
| to_file(filename) | 输出词云文件 |
wordcloud默认是为了英文文本来做词云的，如果需要制作中文文本词云，就需要先对中文进行分词。这里就需要用到中文分词库jieba。
jieba
jieba是优秀的中文分词库，需要安装。它的原理是利用一个中文词库，确定中文字符之间的关联概率，汉字间概率大的组成词组，形成分词结果，除了分词，还可以添加自定义词组。
安装：pip install jieba
jieba有三种分词模式，这里我们只学习它的精确模式，把文本精确的切分开，不存在冗余单词。
使用jieba.lcut(s)，返回列表型分词结果。当然，也可以使用jieba.add_word(w)向jieba库中增加词语。
词云案例
爬取最近很火的一部电影《你好，李焕英 》的影评数据，生成词云。
获取10页短评数据，保存到文本中。
import requests
from bs4 import BeautifulSoup
import time
import random
urls=['https://movie.douban.com/subject/34841067/comments?start={}&limit=20&status=P&sort=new_score'.format(str(i)) for i in range(0, 200, 20)] #通过观察的url翻页的规律，使用for循环得到10个链接，保存到urls列表中
print(urls)
dic_h = {
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36"}
comments_list = [] #初始化用于保存短评的列表
for url in urls: #使用for循环分别获取每个页面的数据，保存到comments_list列表
r = requests.get(url=url,headers = dic_h).text
soup = BeautifulSoup(r, 'lxml')
ul = soup.find('div',id="comments")
lis= ul.find_all('p')
list2 =[]
for li in lis:
list2.append(li.find('span').string)
# print(list2)
comments_list.extend(list2)
time.sleep(random.randint(0,3)) # 暂停0~3秒
with open('lhy_comments.txt', 'w', encoding='utf-8') as f: #使用with open()新建对象f
# 将列表中的数据循环写入到文本文件中
for i in comments_list:
f.write(i+"\n") #写入数据
复制代码使用wordcloud生成词云的步骤
1.读取文件，分词整理
2.配置对象参数，加载词云文本
3.计算词频，输出词云文件
基本的词云
import jieba
import wordcloud
# 读取文本
with open("lhy_comments.txt",encoding="utf-8") as f:
s = f.read()
print(s)
ls = jieba.lcut(s) # 生成分词列表
text = ' '.join(ls) # 连接成字符串
stopwords = ["的","是","了"] # 去掉不需要显示的词
wc = wordcloud.WordCloud(font_path="msyh.ttc",
width = 1000,
height = 700,
background_color='white',
max_words=100,stopwords=s)
# msyh.ttc电脑本地字体，写可以写成绝对路径
wc.generate(text) # 加载词云文本
wc.to_file("李焕英1.png") # 保存词云文件
复制代码词云效果如下：
添加蒙版图片的词云
可以将有白色背景的图片作为蒙版图片，有图案的地方会被词云填充。
添加蒙版图片需要使用PIL，numpy库。
添加蒙版图片如下：
# 示例代码
from wordcloud import WordCloud
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
import jieba
# 打开文本
with open("lhy_comments.txt",encoding="utf-8") as f:
s = f.read()
# 中文分词
text = ' '.join(jieba.cut(s))
# 生成对象
img = Image.open("mask_pic.png") # 打开遮罩图片
mask = np.array(img) #将图片转换为数组
stopwords = ["我","你","她","的","是","了","在","也","和","就","都","这"]
wc = WordCloud(font_path="msyh.ttc",
mask=mask,
width = 1000,
height = 700,
background_color='white',
max_words=200,
stopwords=stopwords).generate(text)
# 显示词云
plt.imshow(wc, interpolation='bilinear')# 用plt显示图片
plt.axis("off") # 不显示坐标轴
plt.show() # 显示图片
# 保存到文件
wc.to_file("李焕英2.png")
复制代码词云效果如下：
近期评论