使用Python+docx+jieba+wordcloud给word文档生成词云图

一、使用Python+docx+jieba+wordcloud给word文档生成词云图

python 复制代码
import docx # 用于读取word文档
import jieba # 用于中文分词
import re # 用于正则表达式匹配
import wordcloud # 用于生成词云图
import matplotlib.pyplot as plt # 用于显示和保存图片


# 定义一个函数，用于从word文档中提取所有的文本
def get_text_from_docx(filename):

    # 创建一个docx.Document对象，打开指定的word文档
    doc = docx.Document(filename)

    # 创建一个空字符串，用于存储所有的文本
    text = ""

    # 遍历文档中的每一段
    for para in doc.paragraphs:

        # 将段落的文本追加到字符串中，并加上换行符
        text += para.text + "\n"

    # 返回字符串
    return text

# 定义一个函数，用于对文本进行分词，并返回一个词汇列表
def get_words_from_text(text):

    # 创建一个空列表，用于存储分词结果
    words = []

    # 使用jieba.cut方法对文本进行分词，返回一个生成器对象
    segs = jieba.cut(text)

    # 遍历生成器对象中的每一个分词结果
    for seg in segs:

        # 去掉分词结果两端的空白字符
        seg = seg.strip()

        # 如果分词结果不为空，并且是中文或英文单词，则将其添加到列表中
        if seg and (re.match(r"[\u4e00-\u9fa5]+", seg) or re.match(r"[a-zA-Z]+", seg)):
            words.append(seg)

    # 返回列表
    return words

# 定义一个函数，用于根据词汇列表生成词云图，并保存为jpg图像
def generate_wordcloud_from_words(words, filename):

    # 将词汇列表转换为以空格分隔的字符串
    text = " ".join(words)

    # 创建一个wordcloud.WordCloud对象，设置字体、背景颜色、最大词数等参数
    wc = wordcloud.WordCloud(font_path="msyh.ttc", background_color="white", max_words=100)

    # 使用generate方法根据字符串生成词云图
    wc.generate(text)

    # 使用matplotlib.pyplot模块显示和保存图片
    plt.imshow(wc) # 显示图片
    plt.axis("off") # 关闭坐标轴
    plt.savefig(filename) # 保存图片为jpg格式

# 定义要处理的word文档的文件名
docx_filename = "words.docx"

# 定义要保存的词云图的文件名
jpg_filename = "wordcloud.jpg"

# 从word文档中提取所有的文本
text = get_text_from_docx(docx_filename)

# 对文本进行分词，并返回一个词汇列表
words = get_words_from_text(text)

# 根据词汇列表生成词云图，并保存为jpg图像
generate_wordcloud_from_words(words, jpg_filename)