1. 詞云圖

相信大家在生活中也看過下面這樣的圖形吧？想必對于詞云圖也不是很陌生吧？詞云圖，顧名思義，就是一些具有關鍵意義的詞，組成一些具有代表意義的形狀，并按照重要程度、出現頻率等進行排列組合得到一張精煉濃縮的信息圖。是不是感覺十分高大上？其實，我們自己也可以做屬于我們自己的詞云圖。

百度搜索詞云圖01

百度搜索詞云圖02

2. 準備素材

巧婦難為無米之炊，我們需要準備一下材料去烹飪我們這道視覺盛宴：

• 主材料：文本
• 輔料：圖片
• 工具：詞云制作工具（WordArt 等） OR 編程語言（python 等）

3. 準備文本

這一章里面，我主要介紹的是如何把QQ聊天記錄導出，并把整理成關鍵詞，為后續可視化做準備的。

• 導出聊天記錄
  首先找到qq的消息管理器（小喇叭）,然后找到你想要得到的聊天記錄的那位，右鍵，導出消息記錄就可以了。【注意】選擇下拉菜單，將聊天記錄導出為(* .txt)格式或者是(* .mht)格式。
  

  導出qq聊天記錄.png

• 處理文本
  在得到文本素材以后，我們需要將這些文本進行分割，得到一個個詞語，經過過濾得到關鍵詞。這里，我們選用的是 jieba 結巴中文分詞。
  jieba 中文分詞的 Github 項目地址：https://github.com/fxsjy/jieba

  • 通過 pip 安裝jieba：pip install jieba
  • 通過 jieba 處理文本：

    import jieba
import jieba.analyse
import re # 正則表達式清洗數據
# 打開并讀取文檔
file=open("wxb.txt",'r',encoding='UTF-8')
obj=file.read()
file.close()

    • 清洗聊天記錄
      這里主要利用re 模塊進行清洗，大家可以根據自己的聊天記錄形式進行自定義的處理。
      re 模塊介紹：http://www.runoob.com/python/python-reg-expressions.html

    import re
# 使用re.sub()函數進行清洗
# 主要清洗對象為"=="、"YYYY-MM-DD"、"HH:MM:SS"、"QQ昵稱"、"[圖片]"
# 下面以時間數據處理為例進行簡單的演示，大家可以根據自己的需要，根據規則進行修改
t_rm1= re.sub("\d\d:\d\d:\d\d",'',obj)

    • 分詞

    # 將特定的詞加入詞典
jieba.add_word("不安分的小王")
# 分詞
word_list=jieba.cut(obj,cut_all=Flase,HMM=True)
word_split="\".join(word_list)

    word_split 便是你最終的分詞結果
    • 提取關鍵詞
      光得到分詞結果我們還不能很好地展現文本內容，這一步，我們需要分詞后的統計，提取關鍵詞。為后面可視化做準備。

    # 提取關鍵詞
rank_K=300 #提取前300的關鍵詞
# 返回帶有權重的詞語的list
tags = jieba.analyse.extract_tags(wrd_split, topK=rank_K, withWeight=True, allowPOS=())
word_split="\".join(word_list)
# 如果不想帶權重的話，可以設置 withWeight=False

    • 保存最終關鍵詞和結果

    with open("keywords.txt",'w',encoding='UTF-8') as f:
         for i in range(0,rank_K):
             f.write(str(tags[i])+'\n')
    

    • 保存最終關鍵詞和結果

      
      
      關鍵詞提取結果（部分）

到此，介紹完了文本準備的相關工作。后面會繼續介紹如何制作詞云。