1、准备
需要用到python-docx，jieba和wordcloud模块，先install
pip3 install jieba pip install wordcloud
2、开始代码
（1）导入需要用到的模块
import re import jieba import docx from wordcloud import WordCloud import matplotlib.pyplot as plt
（2）读取word文档的文本内容
此模块主要使用到了python-docx，官方文档地址：
注意是import docx 而不是python-docx，我们主要处理获取了表格中的文本信息和正常段落中的文本信息。
#输入参数path为word文档所在路径 def readFile(path): file=docx.Document(path) # 读取每一段的内容 article = ' ' for para in file.paragraphs: if para != '/n': article = article + '' + para.text # file.paragraphs只能读取到文档中正常段落中的文本信息，却无法读取到文档中表格里的内容，所以我们还需要继续将表格中的内容也读取出来进行合并 # 获取文档中表格信息 tables = file.tables # 获取文档中所有表格对象的列表 for i in range(len(tables)): table0 = tables[i] # 获取表格对象 # 获取一个表格的所有单元格 cells = table0._cells # 获取单元格内所有文字信息 cells_string = [cell.text.replace('\n', ' ').replace('\r', ' ') for cell in cells] # print(cells_string) for i in range(len(cells_string)): article = article + cells_string[i].strip() return article
（3）使用jieba进行分词
结巴分词分为三种模式：精确模式（默认）、全模式和搜索引擎模式
精确模式：试图将句子最精确地切开，适合文本分析；
全模式：把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；
搜索引擎模式：在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。
def wordFrequency(a): # print(article) # print(len(article)) # 全模式 cut_all=True # seq_list=jieba.cut(article,cut_all=True) # print(seq_list) #<generator object Tokenizer.cut at 0x0000026EB6F0CD58> # print('全模式',list(seq_list)) # 精确模式 （默认模式） cut_all =False # seq_list=jieba.cut(article,cut_all=False) # print('精确模式',list(seq_list)) # 搜索引擎模式 cut_for_search seq_list = jieba.cut_for_search(article, ) # print('搜索引擎模式',list(seq_list)) #通过符号将字符串分割开 articleSplit = re.split(" |,|\.|，|。|;|；|、|：|:|：", article) sep_list = " ".join(articleSplit) # 转为字符串 # print(sep_list) articleSplit = seq_list d = {} #需要忽略的符号集合 fuhao = [',', '.', ' ', ':', '：', '，', '。', '[', ']', ';', '；', '(', ')', '（', '）', '!', '！'] #统计词频 for key in articleSplit: if key in d.keys(): d[key] = d[key] + 1 else: if (len(key.strip()) == 0 or key in fuhao): continue d[key] = 1 wordlist = '' for key in d: # print(key,d[key]) wordlist = wordlist + ' ' + key # print(wordlist) #根据词频进行排序 sort_words = sorted(d.items(), key=lambda x: x[1], reverse=True) print(sort_words) return wordlist
（4）词云绘制
def wordcloudGenerate(wordlist): wc = WordCloud(background_color='white',max_words=2000,width=800,height=600,relative_scaling=1, max_font_size=80,random_state=40,font_path="simhei.ttf") # 生成词云 wc.generate(wordlist) # 在只设置mask的情况下，你将会得到一个拥有图片形状的词云 plt.rcParams['savefig.dpi'] = 300 # 图片像素 plt.rcParams['figure.dpi'] = 300 # 分辨率 plt.imshow(wc, interpolation='bilinear') plt.axis("off") plt.show()
（5）运行程序
#获取文档对象 path = "D:\\Users\\ASUS-BOOK\\Desktop\\蜀道难.docx" article = readFile(path) wordlist = wordFrequency(article) wordcloudGenerate(wordlist)
（6）效果图
