大数据—“西游记“全集文本数据挖掘分析实战教程

项目背景介绍

四大名著，又称四大小说，是汉语文学中经典作品。这四部著作历久不衰，其中的故事、场景，已经深深地影响了国人的思想观念、价值取向。四部著作都有很高的艺术水平，细致的刻画和所蕴含的思想都为历代读者所称道。

本次将以小说《西游记》为例，介绍中文文本的统计分析和文本发掘等方面的基本知识。

数据准备

关于怎样获取小说，本文就不展示了，通过了一点技术手段，从某小说网站源代码里提取的，共101回（章）。

提取出来是长成下图这样的：

文件处理： 如果大家文件不是“.txt”结尾的，比如我的macbook显示的就是可执行文件，可以通过下面的代码批量修改为“*.txt”的文本文件。

import os
import glob

# 获取当前目录下的所有文件
files = glob.glob('/Users/c/PycharmProjects/pythonProject/spyder/爬虫/百度小说/（异步爬虫）西游记/*')

# 遍历文件列表，为每个文件添加.txt后缀
for file in files:
    # 检查文件是否已经是.txt格式
    if not file.endswith('.txt'):
        # 为文件添加.txt后缀
        new_file = file + '.txt'
        # 重命名文件
        os.rename(file, new_file)

文本处理：
现在需要将101回全部合并到一个文本文件里，用手复制吗？NO，肯定是用代码搞定了。

import os
import glob

# 获取所有txt文件
txt_files = glob.glob('/Users/c/PycharmProjects/pythonProject/spyder/爬虫/百度小说/（异步爬虫）西游记/*.txt')

# 创建一个新的文件用于存储合并后的内容
with open('合并文本.txt', 'w', encoding='utf-8') as merged_file:
    # 遍历所有txt文件
    for file in txt_files:
        # 读取文件内容
        with open(file, 'r', encoding='utf-8') as f:
            content = f.read()
        # 将文件内容写入到新文件中
        merged_file.write(content)
        merged_file.write('\n')  # 在每个文件内容之间添加换行符

合并后长这样，可以仔细看第一行和最后一行就明白了：

项目流程

获取文本：

# 获取文本数据
with open('/Users/c/jupyter lab/练习/合并文本.txt','r',encoding='utf-8')as f:
    text = f.read()

import jieba
 
# 分词并统计词频
def wordFreq(text,topn):
    words = jieba.lcut(text.strip()) # 对文本进行分词操作
    counts = {}
    for word in words:  # 统计每个词出现的频率，存放在字典counts中
        if len(word) == 1:  # 如果该词的长度为1，则跳过，不参与统计。
            continue
        counts[word] = counts.get(word,0) + 1
    items = list(counts.items())
    items.sort(key=lambda x:x[1],reverse=True)  # 按照词频进行排序
    f = open('HLM_词频.txt','w',encoding='utf-8')
    for i in range(topn):  # topn表示要取的词的个数，将频率最高的topn个词及其频率数存放在文件中
        word,count = items[i]
        f.writelines("{}\t{}\n".format(word,count))
    f.close() 
 
wordFreq(text,20)  # 这里我们提取出频率最高的前20个词

上面我们读取了文本，首先进行文本分词，不统计字符长度为1的词语，将分词后按词语出现的总次数（频数）进行降序排列保存至’HLM_词频.txt’文件内，见下图，词语出现最多的是行者，出现了4012次，毕竟是主角。

我们还可以去除停用词，也就是你不想统计的词语，在上面代码的基础上修改即可，就不展示结果了，只上代码。

# 分词并统计词频
def wordFreq(text,topn):
    words = jieba.lcut(text.strip()) # 对文本进行分词操作
    # 加载停用词库
    stopwords = [line.strip() for line in open('停用词库.txt','r',encoding='utf-8').readlines()]
    counts = {}
    for word in words:  # 统计每个词出现的频率，存放在字典counts中
        if len(word) == 1:  # 如果该词的长度为1，则跳过，不参与统计。
            continue
        elif word not in stopwords:  # 如果该词不在停用词列表stopwords中，才参与统计
            counts[word] = counts.get(word,0) + 1
    items = list(counts.items())
    items.sort(key=lambda x:x[1],reverse=True)  # 按照词频进行排序
    f = open('HLM_词频.txt','w',encoding='utf-8')
    for i in range(topn):  # topn表示要取的词的个数，将频率最高的topn个词及其频率数存放在文件中
        word,count = items[i]
        f.writelines("{}\t{}\n".format(word,count))
    f.close() 

注意的是需要将不想统计的词语提前存入文本文件内。

绘制词云图：

# 绘制词云
import matplotlib.pyplot as plt
import wordcloud
import imageio
wordFreq(text,500)  # 获取TOP500的词频
word_cloud_text = open('HLM_词频.txt','r',encoding='utf-8').read()
bg_pic = imageio.imread('WechatIMG436.jpg') # 读入形状图片
wc = wordcloud.WordCloud(font_path='/Library/Fonts/Arial Unicode.ttf',
                            background_color='white',
                            width=1000,
                            max_words=200,
                            mask=bg_pic,  # mask参数设置词云形状
                            height=860,
                            margin=2
                            ).generate(word_cloud_text)
wc.to_file('HLMcloud_star.png')  # 保存图片

老规矩给大家科谱一下怎样看词云图：上图是用出现次数最多的前500词语进行绘制的。

词云图 是一种可视化表示文本数据的方法，通过使不同频率的词汇以不同的字体大小显示出来，形成一种视觉上的“云”效果。它被广泛用于展示大量的文本数据中的关键词，直观地显示各个词的重要性和频率。以下是具体介绍：

使用场景：

• 词云图可以在不同的形状模板中生成，如圆形、心形、菱形等，增加视觉效果。
• 支持多种颜色配色方案，用户可以根据需要选择合适的配色。
• 在线工具如易词云提供分词功能，特别适合中文文本的处理。
• 能够导出为常用的图像格式（如jpg, png）或pdf文件，方便分享和展示。

技术实现：

• 许多在线词云图生成器支持用户直接上传文本或Excel文件，并自动统计词频生成词云图。
• 部分工具允许用户自定义词云图中的文字大小、间隙和旋转角度等参数。
• 高级用户可以通过JSON配置编辑ECharts图表参数，实现更高级的个性化设置。

操作指南：

• 在设计词云图时，建议每行文字保持在2到6个字之间，以获得最佳显示效果。
• 当使用自选图片模式时，如果图片分辨率较高，则可以适当增加内容；反之，则应减少内容以防生成的词云图过于拥挤。
• 对于自选形状模式，不建议设置过多内容，以免形状不明显，影响最终效果。

优化建议：

• 考虑使用轮廓图片，使词云图沿着轮廓图片的非白色区域延申，增加视觉效果。
• 合理利用停用词功能来排除无关的常见词汇，使关键内容更突出。

开源工具：

• 可以利用如jieba分词增强词云图的中文处理能力，highcharts提供的词云图生成js等开源工具进行高度定制的开发。

官方的东西说半天没说到重点，我来总结就是字体越大，代表文本中出现的次数越多。

章回处理

已知我们已将101个文本文件合并到了一起，我们现在需要做一个工作就是统计每回合有多少字，是从多少至多少，听着很难，做着试试吧。

# 章回处理
import re
chapter = re.findall('第[\u4e00-\u9fa5]+回',text)
lst_chapter = []
for x in chapter:  # 去除重复的章节
    if x not in lst_chapter and len(x)<=5:
        lst_chapter.append(x)
print(lst_chapter)

运行代码看看：

通过正则匹配，找到文中所有“第**回”形式的字符。

获取每一回起始和结束共计多少字符：

lst_start_chapterIndex = []
for x in lst_chapter:  # 找出每一回在原文中的起始位置
    lst_start_chapterIndex.append(text.index(x))
 
lst_end_chapterIndex = lst_start_chapterIndex[1:]+[len(text)]  # 找出每一回在原文中的结束位置，本回的结束位置就是下一回的起始位置。最后一回的结束位置就是全文的结束。zip将每一回的起始和结束位置拼成一个元组，存放在lst_chapterindex列表中。
lst_chapterIndex = list(zip(lst_start_chapterIndex,lst_end_chapterIndex))
print(lst_chapterIndex)

运行代码看到的就是区间数据：

下面用简单难看的折线图来展示每回合行者出现的次数（好看的图画着都很费力），原著里好像说的悟空叫行者，反正我没看过。

# 统计行者出现的次数
cnt_liulaolao = []
for i in range(99):
    start = lst_chapterIndex[i][0]
    end = lst_chapterIndex[i][1]
    cnt_liulaolao.append(text[start:end].count('行者'))
plt.rcParams['font.sans-serif'] = ['SimHei'] #解决中文显示
plt.rcParams['axes.unicode_minus'] = False   #解决符号无法显示
plt.figure(figsize=(15,6))
plt.plot(range(99),cnt_liulaolao,label='行者出场次数')
plt.title('《西游记》——孙行者暴打各路妖怪',fontdict={'fontsize':14})
plt.xlabel('章节数',fontdict={'fontsize':14})
plt.ylabel('出现次数',fontdict={'fontsize':14})
plt.legend()
plt.show()

打个小结，学会以上的文本方法，在工作中分析点小文本就太简单了。

创作不易，点赞，评论，转发三连走起！