利用python统计word文档高频词汇

最近在研究几个省份的政府工作报告，想统计一下报告中的高频词汇。原以为这是一项很基础的工作，网上会有很多工具，结果却大失所望，仅仅找到一款在线工具，而且不太准确。

想想也是，一篇长文章，好几万字，不同的词组有成百上千个，光断句分词就能难倒不少人工智能。

看到网上很多人用python+jieba来抓取高频词，感觉挺简单。虽然不懂代码，但是照葫芦画瓢还是会的。记录下过程，备用。

首先，安装jieba：

pip install jieba

然后，在运行目录下执行python程序，代码如下：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import jieba
import jieba.analyse
import codecs
import re
from collections import Counter

class WordCounter(object):

def count_from_file(self, file, top_limit=0):
with codecs.open(file, ‘r’, ‘utf-8′) as f:
content = f.read()
content = re.sub(r’\s+’, r’ ‘, content)
content = re.sub(r’\.+’, r’ ‘, content)
return self.count_from_str(content, top_limit=top_limit)

def count_from_str(self, content, top_limit=0):
if top_limit <= 0:
top_limit = 100
tags = jieba.analyse.extract_tags(content, topK=100)

words = jieba.cut(content,cut_all=True)    #自行设置jieba的模式
counter = Counter()
for word in words:
if word in tags:
counter[word] += 1

return counter.most_common(top_limit)

if __name__ == ‘__main__’:
counter = WordCounter()
result = counter.count_from_file(r’bj.txt’, top_limit=20)    #文件名bj.txt，选取前20高频词
for k, v in result:
print (k, v)

或执行以下程序，运行结果类似：

#! python3
# -*- coding: utf-8 -*-
import os, codecs
import jieba
from collections import Counter

def get_words(txt):
seg_list = jieba.cut(txt,cut_all=True)       #自行设置jieba的模式
c = Counter()
for x in seg_list:
if len(x)>1 and x != ‘\r\n’:
c[x] += 1
print(‘常用词频度统计结果’)
for (k,v) in c.most_common(100):
print(‘%s%s %s %d’ % (‘ ‘*(5-len(k)), k, ‘*’*int(v/3), v))

if __name__ == ‘__main__’:
with codecs.open(‘bj.txt’, ‘r’, ‘utf8’) as f:               #文件名bj.txt
txt = f.read()
get_words(txt)