用 Python 分析领导讲话,原来隐藏了 ＂这些＂ 重要信息......
这是「进击的Coder」的第 486 篇技术分享作者：黄伟呢来源：快学 Python“
阅读本文大概需要 8 分钟。
如何用 Python 分析领导讲话呢？正好庆祝中国共产党成立 100 周年大会，7 月 1 日上午在北京天安门广场隆重举行。中共中央总书记、国家主席、中央军委主席习近平发表重要讲话。
这段讲话，共 14 页 word 排版，7297 个字。你全程观看了直播吗？关于这场重要讲话，习总书记主要传达了那些精神，你知道吗？今天我就带着大家来学习一下本次大会的精神。大家可以学习后用来分析自己的领导讲话哦~
这段话的 word 版本，是我无意中在某个微信群里面发现的，是以.doc结束老版本的 word 文档格式，截个图给大家看看：
我们今天的任务就是：读取这段文字，对文字做一个关键词统计，看看这次大会主要传达了哪些重要精神。当然，这篇文章一共涉及到如下三方面重要的知识，分别是：- ① doc 文章格式转换为 docx 格式；
- ② Python 自动化操作 word 文档相关操作；
- ③ jieba 中文分词库的应用；
PS：不要单纯只学习某个知识点，带着应用学习；
1. doc 文档格式转 docx 格式
后面读取 word 文档中的文字，会用到一个叫做python-docx的库，它只能读取.docx格式的 word 文档。但是你不要企图，直接修改文档后缀，那样的话，你打开文档，会提示格式错误。因此，在正式获取 word 文档中的内容之前，必须要进行一下格式转换。import os结果如下：
import time
import win32com
from win32com.client import Dispatch
def doc_to_docx(path):
w = win32com.client.Dispatch('Word.Application')
w.Visible = 0
w.DisplayAlerts = 0
doc = w.Documents.Open(path)
# 这里必须要绝对地址,保持和doc路径一致
newpath = allpath+'\\转换后的文档_庆祝中国共产党成立100周年大会上的讲话.docx'
time.sleep(3) # 暂停3s，否则会出现-2147352567,错误
doc.SaveAs(newpath,12,False,"",True,"",False,False,False,False)
# doc.Close() 开启则会删掉原来的doc
w.Quit()# 退出
return newpath
allpath = os.getcwd()
print(allpath)
doc_to_docx(allpath+'\\庆祝中国共产党成立100周年大会上的讲话.doc')
下面两行代码的意思，了解就行。# 调用word程序
WordApp = win32com.client.Dispatch("Word.Application")
# 后台运行，不显示，不警告
WordApp.Visible = 0
WordApp.DisplayAlerts = 0
2. python-docx 读取 word 文档内容
在使用 Python 读取 word 文档内容之前，我们首先需要对 word 文档结构有一个清楚的认识，在没有图表的情况写，word 文档主要由文档 - 段落 - 文字块三部分构成。
读取 word 文档内容的大致思路是这样的：- ① 获取 word 文档，就是得到一个 Document 对象；
- ② 调用 Document 对象的 paragraphs 方法，获取 Paragraph 段落对象列表；
- ③ 循环遍历段落对象列表，调用 text 方法，获取每个段落中的整段文字；
from docx import Document部分截图如下：
doc = Document(r"转换后的文档_庆祝中国共产党成立100周年大会上的讲话.docx")
text = ""
for parapraph in doc.paragraphs:
text += parapraph.text
这里定义了一个字符串 text，将读取到的内容，拼接成一个字符串，是为了方便我们后续使用jieba库进行分词操作。3. jieba中文分词库的应用
前面我们将word文档中所有的内容，全部转换为一个超长的字符串了，接下来就是应用jieba库，进行中文分词，做一个词频统计。下面直接一步步带着大家做吧！
① 导入相关库
在这里，你需要什么库，就导入什么库。import jieba
from wordcloud import WordCloud
import pandas as pd
import matplotlib.pyplot as plt
from imageio import imread
import warnings
warnings.filterwarnings("ignore")
② 使用 jieba 库中的 lcut() 方法进行分词
短短的一行代码，很简单。text_list = list(jieba.cut(text))在进行分词之前，我们可以
动态修改词典，让某些特定词语不被强制性分开。我这里介绍一下，大家下去自己学习。- jieba.add_word() 方法，只能一个个动态添加词语；
- 假如我们需要动态添加多个词语的时候，就需要使用 jieba.load_userdict() 方法。也就是说：将所有的自定义词语，放到一个文本中，然后使用该方法，一次性动态修改词典集；
③ 读取停用词，添加额外停用词，并去除停用词
读取停用词，采用 split() 函数切分后，会得到一个停用词列表。接着，采用+号将额外停用词，添加到列表中即可。with open(r"stoplist.txt",encoding="utf-8") as f:
stop = f.read()
stop = stop.split()
stop = [" "] + stop
final_text = [i for i in text_list if i not in stop]
④ 词频统计
这里使用Pandas库中 series 序列的 value_counts() 函数，进行词频统计。word_count = pd.Series(final_text).value_counts()[:30]部分截图 如下：
⑤ 词云图的绘制
# 1、读取背景图片结果如下：
back_picture = imread(r"aixin.jpg")
# 2、设置词云参数：这些参数，大家看英文单词的含义，应该可以猜出来！
wc = WordCloud(font_path="simhei.ttf",
background_color="white",
max_words=2000,
mask=back_picture,
max_font_size=200,
random_state=42
)
wc2 = wc.fit_words(word_count)
# 3、绘制词云图
plt.figure(figsize=(16,8))
plt.imshow(wc2)
plt.axis("off")
plt.show()
wc.to_file("ciyun.png")
仔细观察词云图，相信很多有过考研经历的同学，应该都能背诵出，那一段很长的话。好了，本文就讲述到这里，关于文中三个重要的知识点，你都学会了吗？
End
「进击的Coder」专属学习群已正式成立，搜索「CQCcqc4」添加崔庆才的个人微信或者扫描下方二维码拉您入群交流学习。
及时收看更多好文
↓↓↓
崔庆才的「进击的Coder」知识星球已正式成立，感兴趣的可以查看《我创办了一个知识星球》了解更多内容，欢迎您的加入：
评论