用 Python 分析领导讲话，原来隐藏了 "这些" 重要信息......

崔庆才

发布于 2021-10-08 08:03:04

81100

代码可运行

文章被收录于专栏：进击的Coder进击的Coder

运行总次数：0

代码可运行

如何用 Python 分析领导讲话呢？正好庆祝中国共产党成立 100 周年大会，7 月 1 日上午在北京天安门广场隆重举行。中共中央总书记、国家主席、中央军委主席习近平发表重要讲话。

这段讲话，共 14 页 word 排版，7297 个字。

你全程观看了直播吗？关于这场重要讲话，习总书记主要传达了那些精神，你知道吗？

今天我就带着大家来学习一下本次大会的精神。大家可以学习后用来分析自己的领导讲话哦~

这段话的 word 版本，是我无意中在某个微信群里面发现的，是以.doc结束老版本的 word 文档格式，截个图给大家看看：

我们今天的任务就是：读取这段文字，对文字做一个关键词统计，看看这次大会主要传达了哪些重要精神。

当然，这篇文章一共涉及到如下三方面重要的知识，分别是：

① doc 文章格式转换为 docx 格式；
② Python 自动化操作 word 文档相关操作；
③ jieba 中文分词库的应用；

这三个操作，在实际工作应用中经常遇到，都是很重要的 Python 知识点，我们将它们应用到一个实战案例中讲解，学习起来会事半功倍。

PS：不要单纯只学习某个知识点，带着应用学习；

1. doc 文档格式转 docx 格式

后面读取 word 文档中的文字，会用到一个叫做python-docx的库，它只能读取.docx格式的 word 文档。

但是你不要企图，直接修改文档后缀，那样的话，你打开文档，会提示格式错误。

因此，在正式获取 word 文档中的内容之前，必须要进行一下格式转换。

import os
import time
import win32com
from win32com.client import Dispatch

def doc_to_docx(path):
   w = win32com.client.Dispatch('Word.Application')
   w.Visible = 0
   w.DisplayAlerts = 0
   doc = w.Documents.Open(path)
   # 这里必须要绝对地址,保持和doc路径一致
   newpath = allpath+'\\转换后的文档_庆祝中国共产党成立100周年大会上的讲话.docx'
   time.sleep(3) # 暂停3s，否则会出现-2147352567,错误
   doc.SaveAs(newpath,12,False,"",True,"",False,False,False,False)
   # doc.Close() 开启则会删掉原来的doc
   w.Quit()# 退出
   return newpath
allpath = os.getcwd()
print(allpath)
doc_to_docx(allpath+'\\庆祝中国共产党成立100周年大会上的讲话.doc')

结果如下：

下面两行代码的意思，了解就行。

# 调用word程序
WordApp = win32com.client.Dispatch("Word.Application")

# 后台运行，不显示，不警告
WordApp.Visible = 0
WordApp.DisplayAlerts = 0

2. python-docx 读取 word 文档内容

在使用 Python 读取 word 文档内容之前，我们首先需要对 word 文档结构有一个清楚的认识，在没有图表的情况写，word 文档主要由文档 - 段落 - 文字块三部分构成。

读取 word 文档内容的大致思路是这样的：

① 获取 word 文档，就是得到一个 Document 对象；
② 调用 Document 对象的 paragraphs 方法，获取 Paragraph 段落对象列表；
③ 循环遍历段落对象列表，调用 text 方法，获取每个段落中的整段文字；

按照这个逻辑，其实代码非常简单，5 行代码即可获取文档内容。

from docx import Document

doc = Document(r"转换后的文档_庆祝中国共产党成立100周年大会上的讲话.docx")
text = ""
for parapraph in doc.paragraphs:
    text += parapraph.text

部分截图如下：

这里定义了一个字符串 text，将读取到的内容，拼接成一个字符串，是为了方便我们后续使用jieba库进行分词操作。

3. jieba中文分词库的应用

前面我们将word文档中所有的内容，全部转换为一个超长的字符串了，接下来就是应用jieba库，进行中文分词，做一个词频统计。

下面直接一步步带着大家做吧！

① 导入相关库

在这里，你需要什么库，就导入什么库。

import jieba
from wordcloud import WordCloud
import pandas as pd
import matplotlib.pyplot as plt
from imageio import imread

import warnings
warnings.filterwarnings("ignore")

② 使用 jieba 库中的 lcut() 方法进行分词

短短的一行代码，很简单。

text_list = list(jieba.cut(text))

在进行分词之前，我们可以动态修改词典，让某些特定词语不被强制性分开。我这里介绍一下，大家下去自己学习。

jieba.add_word() 方法，只能一个个动态添加词语；
假如我们需要动态添加多个词语的时候，就需要使用 jieba.load_userdict() 方法。也就是说：将所有的自定义词语，放到一个文本中，然后使用该方法，一次性动态修改词典集；

③ 读取停用词，添加额外停用词，并去除停用词

读取停用词，采用 split() 函数切分后，会得到一个停用词列表。接着，采用+号将额外停用词，添加到列表中即可。

with open(r"stoplist.txt",encoding="utf-8") as f:
    stop = f.read()
    
stop = stop.split()
stop = [" "] + stop
final_text = [i for i in text_list if i not in stop]

④ 词频统计

这里使用Pandas库中 series 序列的 value_counts() 函数，进行词频统计。

word_count = pd.Series(final_text).value_counts()[:30]

部分截图如下：

⑤ 词云图的绘制

# 1、读取背景图片
back_picture = imread(r"aixin.jpg")

# 2、设置词云参数：这些参数，大家看英文单词的含义，应该可以猜出来！
wc = WordCloud(font_path="simhei.ttf",
               background_color="white",
               max_words=2000,
               mask=back_picture,
               max_font_size=200,
               random_state=42
              )
wc2 = wc.fit_words(word_count)

# 3、绘制词云图
plt.figure(figsize=(16,8))
plt.imshow(wc2)
plt.axis("off")
plt.show()
wc.to_file("ciyun.png")