1.认识jieba库和安装。
主要功能包括分词，添加自定义词典，关键词提取，词性标注，并行分词,Tokenize:返回词语在原文的起始位置，命令行分词等功能。
代码对 Python 2/3 均兼容
全自动安装：easy_install jieba 或者 pip install jieba / pip3 install jieba
半自动安装：先下载 http://pypi.python.org/pypi/jieba/ ，解压后运行 python setup.py install
手动安装：将 jieba 目录放置于当前目录或者 site-packages 目录
通过 import jieba 来引用
2.利用jieba库来进行分析文章，获得词频并排序。
安装完jieba库之后，我们可以利用其来获得文章中的词频。
分析刘慈欣小说《三体》（一二三部合集）出现次数最多的词语。
首先下载好《三体》以txt格式、utf-8编码。导入jieba库：
import jieba 打开文件：
txt = open("santi.txt", encoding="utf-8").read()
使用全模式进行分词，返回列表：
words = jieba.lcut(txt)
定义空集合，并借此进行进行统计：
counts = {} for word in words: counts[word] = counts.get(word,0) + 1
dict_items转换为列表,并以第二个元素排序：
items = list(counts.items()) items.sort(key=lambda x:x[1], reverse=True)
以格式化打印前30名：
for i in range(30): word, count = items[i] print ("{0:<10}{1:>5}".format(word, count))
运行结果如下图
3.利用jieba分词来实现词云
同时利用wordcloud，matplotlib库来制作图云
这次使用百年孤独的文章来制作词云
from wordcloud import WordCloud import matplotlib.pyplot as plt import jiebadef create_word_cloud(filename):text = open("百年孤独.txt","r",encoding='utf-8').read() #打开自己想要的文本 wordlist = jieba.cut(text, cut_all=True) # 结巴分词 wl = " ".join(wordlist)wc = WordCloud( #设置词云 background_color="white", # 设置背景颜色 max_words=20, # 设置最大显示的词云数 font_path='C:/Windows/Fonts/simfang.ttf', # 索引在C盘上的字体库 height=500,width=500,max_font_size=150, # 设置字体最大值 random_state=150, # 设置有多少种随机生成状态，即有多少种配色方案 )myword = wc.generate(wl) # 生成词云 plt.imshow(myword) # 展示词云图 plt.axis("off")plt.show()wc.to_file('img_book.png') # 把词云保存下 txt=open("百年孤独.txt","r",encoding='utf-8').read() #打开自己想要的文本 words=jieba.lcut(txt) counts={} for word in words:if len(word)==1: #排除单个字符的分词结果continueelse :counts[word]=counts.get(word,0)+1 items=list(counts.items()) items.sort(key=lambda x:x[1],reverse=True) for i in range(20):word,count=items[i]print ("{0:<20}{1:>5}".format(word,count)) if __name__ == '__main__':create_word_cloud('百年孤独') #运行编辑的函数，获得词云
