這篇文章在教學如何使用 Python 讀取中文文檔，產生像下圖的文字雲
文字雲套件：WordCloud
這次使用的套件為 WordCloud
基本型: 英文
首先先到 CNN 截取了一段新聞，將內容存成 txt 檔，測試程式如下
from wordcloud import WordCloud, STOPWORDS
import matplotlib.pyplot as plt
# Read the whole text.
txtfile = "c:/test-wordcloud/cnn.txt" # 剛才下載存的文字檔
text = open(txtfile,"r",encoding="utf-8").read()
# Generate a word cloud image
wordcloud = WordCloud().generate(text)
# 繪圖
plt.figure()
plt.imshow(wordcloud, interpolation="bilinear")
plt.axis("off")
plt.show()
產生文字雲如下
這篇文章主要在講烏俄戰爭的事，出現最多次的為 weapon 和 Russia 這兩個字，所以可以看出文字雲中這兩個字的字型最大
增加 Mask：英文
但一般的需求都是會有張底圖，所以先去網路捉了張底圖，根據官網做了些修改，測試程式如下
from wordcloud import WordCloud, STOPWORDS
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
# Read the whole text.
txtfile = "c:/test-wordcloud/cnn.txt" # 剛才下載存的文字檔
pngfile = "c:/test-wordcloud/cloud.jpg" # 剛才下載存的底圖
text = open(txtfile,"r",encoding="utf-8").read()
alice_mask = np.array(Image.open(pngfile))
# Generate a word cloud image
wordcloud = WordCloud(background_color="white", mask=alice_mask, contour_width=3, contour_color='steelblue').generate(text)
# 繪圖
plt.figure()
plt.imshow(wordcloud, interpolation="bilinear")
plt.axis("off")
plt.show()
其實主要只差了這一行，多加幾個參數而已
wordcloud = WordCloud(background_color="white", mask=alice_mask, contour_width=3, contour_color='steelblue').generate(text)
產生文字雲如下
這張圖看起來就符合需求多了，但是這個程式碼只適用於英文，原因是中文有斷詞問題
中文斷詞套件：Jieba
中文斷詞套件最有名的就是 Jieba
這篇文章不打算仔細的介紹 Jieba 的原理，有空的話再整理篇獨立的文章吧
先簡單介紹使用 Jieba 產生中文文檔文字雲，需要的檔案
字典檔
非必須， Jieba 預設用的是簡體中文，如果要使用繁體中文的話，建議先去下載繁中的字典檔，斷詞效果會較好
stopwords
stopwords 指的是不希望被斷詞的字，像英文的「the」，中文的「的」之類的，這個檔可以自行編輯，但我習慣直接拿別人寫好的，
stopwords 下載點(非官方) 下載連結
字型檔
產生中文文字雲需要有中文字型，在一般 windows 的電腦都已經內建有中文字型了，只需要將路徑指向就可以，以 windows 10 來說，目錄在 c:\Windows\Fonts 下
中文文檔文字雲
這次測試的文檔是 【股票市場多少是合理的投資報酬率？實測美股大盤28年】
完整程式碼如下
from wordcloud import WordCloud, STOPWORDS
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
import jieba
import jieba.analyse
from collections import Counter # 次數統計
dictfile = "c:/test-wordcloud/dict.txt" # 字典檔
stopfile = "c:/test-wordcloud/stopwords.txt" # stopwords
fontpath = "c:/test-wordcloud/msjh.ttc" # 字型檔
mdfile = "c:/test-wordcloud/reasonable-stock-return-spy.mdx" # 文檔
pngfile = "c:/test-wordcloud/cloud.jpg" # 剛才下載存的底圖
alice_mask = np.array(Image.open(pngfile))
jieba.set_dictionary(dictfile)
jieba.analyse.set_stop_words(stopfile)
text = open(mdfile,"r",encoding="utf-8").read()
tags = jieba.analyse.extract_tags(text, topK=25)
seg_list = jieba.lcut(text, cut_all=False)
dictionary = Counter(seg_list)
freq = {}
for ele in dictionary:
if ele in tags:
freq[ele] = dictionary[ele]
print(freq) # 計算出現的次數
wordcloud = WordCloud(background_color="white", mask=alice_mask, contour_width=3, contour_color='steelblue', font_path= fontpath).generate_from_frequencies(freq)
plt.figure()
plt.imshow(wordcloud, interpolation="bilinear")
plt.axis("off")
plt.show()
程式應該不難懂，大概要知道的就是 freq 是去計算每個詞出現的次數，依出現次數多少來決定字體大小，然後參數 topK=25 是取前 25 個值
產生的文字雲就是文章開頭那張，符合需求，任務完成
