Python分析3月政府工作报告

概述

有时候我们抓不到一些文章里面的重点，python里jieba库分词很好的为我们提供了一个好的解决方案。下面就讲一个实际使用的一个例子来说明。

首先，我们要将网页的内容请求并解析出来，下面是政府工作报告的路径：

www.gov.cn/premier/201…

利用request库的get(url)方法请求拿到响应的数据，发现报告文字内容大多在段落p标签中。可以引用BeautifulSoup的find_all()将p标签中所有标签拿到，再获取里面的内容。下面先封装一下：

def extract_text(url):
    # 发送url请求并获取响应文件
    page_source = requests.get(url).content
    bs_source = BeautifulSoup(page_source, "lxml")

    # 解析出所有的p标签
    report_text = bs_source.find_all('p')

    text = ''
    # 将p标签里的所有内容都保存到一个字符串里
    for p in report_text:
        text += p.get_text()
        text += '\n'

    return text

词云的使用

使用词云，首先得准备一张背景图片，这里使用了前面比较火的小猪佩奇的图片。

要读入图片，要使用matplotlib库中pyplot模块的imread()方法。

import matplotlib.pyplot as plt
back_img = plt.imread('/peiqi.jpg') # 方法里传入图片的路径

下面介绍词云的基本使用：

    cloud = WordCloud(font_path= '/simhei.ttf',  # 若是有中文的话，这句代码必须添加，不然会出现方框，不出现汉字
                      background_color="white",  # 背景颜色
                      max_words=5000,  # 词云显示的最大词数
                      mask=back_img,  # 设置背景图片
                      max_font_size=100,  # 字体最大值
                      random_state=42,
                      width=360, height=591, margin=2,  # 设置图片默认的大小,但是如果使用背景图片的话,保存的图片大小将会按照其大小保存,margin为词语边缘距离
                      )

因为词云默认是不支持中文的，需要在网上搜索支持的字体，然后将下载好的字体simhei.ttf放在项目里面。

jieba分词

下面按jieba的精确分词模式将解析到的内容传入，并传入词云，生成图形。

  for li in content:
        comment_txt += ' '.join(jieba.cut(li, cut_all=False))
    wc = cloud.generate(comment_txt)
    image_colors = ImageColorGenerator(back_img)
    plt.figure("wordc")
    plt.imshow(wc.recolor(color_func=image_colors))
    wc.to_file('2019年3月政府工作报告.png')

下面是完整的代码：

import matplotlib.pyplot as plt
import jieba
import requests
from bs4 import BeautifulSoup
from wordcloud import WordCloud, ImageColorGenerator

def extract_text(url):
    # 发送url请求并获取响应文件
    page_source = requests.get(url).content
    bs_source = BeautifulSoup(page_source, "lxml")

    # 解析出所有的p标签
    report_text = bs_source.find_all('p')

    text = ''
    # 将p标签里的所有内容都保存到一个字符串里
    for p in report_text:
        text += p.get_text()
        text += '\n'

    return text

def word_cloud(content):
    comment_txt = ''
    back_img = plt.imread('/peiqi.jpg')
    cloud = WordCloud(font_path='/simhei.ttf',  # 若是有中文的话，这句代码必须添加，不然会出现方框，不出现汉字
                      background_color="white",  # 背景颜色
                      max_words=5000,  # 词云显示的最大词数
                      mask=back_img,  # 设置背景图片
                      max_font_size=100,  # 字体最大值
                      random_state=42,
                      width=360, height=591, margin=2,  # 设置图片默认的大小,但是如果使用背景图片的话,保存的图片大小将会按照其大小保存,margin为词语边缘距离
                      )
    for li in content:
        comment_txt += ' '.join(jieba.cut(li, cut_all=False))
    wc = cloud.generate(comment_txt)
    image_colors = ImageColorGenerator(back_img)
    plt.figure("wordc")
    plt.imshow(wc.recolor(color_func=image_colors))
    wc.to_file('2019年3月政府工作报告.png')

if __name__ == "__main__":
    url = 'http://www.gov.cn/premier/2019-03/16/content_5374314.htm'
    text = extract_text(url)
    word_cloud(text)

from collections import Counter
import numpy as np

def word_frequency(text):
    
    word_list = [] 
    count_list = [] 
    words = [word for word in jieba.cut(text, cut_all=True) if len(word) >= 2] # 返回所有分词后长度大于等于2 的词的列表
   # Counter是一个简单的计数器，统计字符出现的个数

    c = Counter(words)
   for word_freq in c.most_common(10):
 # c.most_common(10) 返回一个列表，里面每一个元素是一个元祖
        word, freq = word_freq
        word_list.append(word)
        count_list.append(freq)        
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
    plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
    colors = ['#00FFFF', '#7FFFD4', '#F08080', '#90EE90', '#AFEEEE', '#98FB98', '#B0E0E6', '#00FF7F', '#FFFF00', '#9ACD32']
    index = np.arange(10)
    plt.bar(index, count_list, color=colors, width=0.5, align='center')
    plt.xticks(np.arange(10), word_list)  # 横坐轴标签
    for x, y in enumerate(count_list):
        # 在柱子上方1.2处标注值 
       plt.text(x, y + 1.2, '%s' % y, ha='center', fontsize=10)
    plt.ylabel('出现次数')  # 设置纵坐标标签
    prov_title = '政府报告Top10关键词
'   plt.title(prov_title)    # 设置标题
    plt.savefig('/政府报告Top10关键词.png')  # 保存图片
    # 显示
    plt.show()

if __name__ == "__main__":
    url = 'http://www.gov.cn/premier/2019-03/16/content_5374314.htm'
    text = extract_text(url)
     # word_cloud(text)
     word_frequency(text)

其实可视化方案可以采用pyecharts 

pip install pyecharts

代码修改如下：

def word_frequency(text):
    # 返回所有分词后长度大于等于2 的词的列表
    word_list = []
    count_list = []
    words = [word for word in jieba.cut(text, cut_all=True) if len(word) >= 2]
    # Counter是一个简单的计数器，统计字符出现的个数
    c = Counter(words)

    for word_freq in c.most_common(10): # c.most_common(10)是列表里，里面每一个元素是一个元祖
        word, freq = word_freq
        word_list.append(word)
        count_list.append(freq)
        print(word, freq,sep = ':')

    from pyecharts import options as opts
    from pyecharts.charts import Pie
    def pie_base() -> Pie:
        c = (
            Pie()
                .add("", [list(z) for z in zip(word_list, count_list)])
                .set_global_opts(title_opts=opts.TitleOpts(title="政府报告关键词"))
            # .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
        )
        return c

    pie_base().render('temp/政府报告关键词.html')

pyecharts具有动态效果，显示效果比matplotlib更佳.