目录
【实验目的】
了解什么是文本可视化
掌握文本可视化的相关技术
文本信息的提取和可视表达
本次实验是将某一文本进行可视化生成词云图片
尝试构造文本指纹
【实验原理】
文本是语言和沟通的载体，文本的含义以及读者对文本的理解需求均纷繁复杂。例如，对于同一个文本，不同的人的解读也是不一样的，有的人希望了解文本中涉及到的事物，而有的人希望得到文本中的关键词。鉴于对文本信息需求的多样性，需要从不同层级提取与呈现文本信息。一般把对文本的理解 需 求 分 成 三 级 ： 词 汇 级 （ Lexical Level ） 、 语 法 级（Syntactic Level）和语义级（Semantic Level）。不同级的信息挖掘方法也不同，词汇级当然是用各类分词算法，语法级用一些句法分析算法，语义级用主题抽取算法。文本文档的类别多种多样，包括单文本、文档集合和时序文本数据三大类，这使得文本信息的需求更为丰富。
【实验环境】
Python：v3.6
【实验步骤】
1、读入txt文本数据
数据来源：实验-第六章文件夹，千千阙歌-歌词.txt
2、安装matplotlib、jieba、wordcloud
3、编写代码，构造不同形状的词云。
提示：
1.读入 txt 文本数据
2.结巴中文分词，生成字符串，默认精确模式，如果不通过分词，无法直接生成正确的中文词云
3.生成词云图，需要注意的是 WordCloud 默认不支持中文，所以这里需已下载好的中文字库
import jieba
from wordcloud import WordCloud
import matplotlib.pyplot as plt
import numpy as np
from PIL import Image
import os
from matplotlib.font_manager import FontProperties
from matplotlib.colors import LinearSegmentedColormap
import random
import io
from matplotlib.animation import FuncAnimation
from matplotlib.backends.backend_agg import FigureCanvasAgg
# 1. 设置中文字体
def set_chinese_font():
try:
# 尝试常见字体路径
font_paths = [
'simhei.ttf',
'C:/Windows/Fonts/simhei.ttf',
'C:/Windows/Fonts/msyh.ttc',
'/System/Library/Fonts/PingFang.ttc',
'/usr/share/fonts/truetype/wqy/wqy-microhei.ttc'
]
# 查找可用字体
for path in font_paths:
if os.path.exists(path):
# 返回字体属性对象
return FontProperties(fname=path)
# 如果都找不到，尝试使用系统默认中文字体
return FontProperties(family='sans-serif')
except:
return FontProperties(family='sans-serif')
# 获取字体属性
font_prop = set_chinese_font()
# 2. 读取文本文件
def load_text(file_path):
try:
with open(file_path, 'r', encoding='utf-8') as f:
return f.read()
except FileNotFoundError:
print(f"错误: 文件 '{file_path}' 未找到!")
return ""
except Exception as e:
print(f"错误: 读取文件时发生异常: {e}")
return ""
# 3. 中文分词处理
def chinese_text_segmentation(text):
# 移除常见停用词
stopwords = {'的', '了', '在', '是', '我', '有', '和', '就', '不', '人', '都', '一', '一个', '上', '也', '很', '到',
'说', '要', '去', '你', '会', '着', '没有', '看', '好', '自己', '这'}
word_list = jieba.cut(text, cut_all=False)
return " ".join([word for word in word_list if word not in stopwords and len(word) > 1])
# 4. 创建不同形状的遮罩
def create_shapes(width=400, height=400):
# 矩形
rect_mask = None
# 圆形
x, y = np.ogrid[:height, :width]
circle_mask = (x - height / 2) ** 2 + (y - width / 2) ** 2 > (min(width, height) / 2 - 10) ** 2
circle_mask = 255 * circle_mask.astype(int)
# 心形
t = np.linspace(0, 2 * np.pi, 1000)
x = 16 * np.sin(t) ** 3
y = 13 * np.cos(t) - 5 * np.cos(2 * t) - 2 * np.cos(3 * t) - np.cos(4 * t)
# 标准化到图像尺寸
x = ((x - x.min()) / (x.max() - x.min()) * width * 0.8 + width * 0.1).astype(int)
y = ((y - y.min()) / (y.max() - y.min()) * height * 0.8 + height * 0.1).astype(int)
heart_mask = np.ones((height, width)) * 255
for i in range(len(x)):
if 0 <= x[i] < width and 0 <= y[i] < height:
heart_mask[y[i], x[i]] = 0
# 填充心形内部
from scipy.ndimage import binary_fill_holes
heart_mask = binary_fill_holes(heart_mask == 0).astype(int) * 255
# 五角星
star_mask = np.ones((height, width)) * 255
cx, cy = width // 2, height // 2
r = min(width, height) // 3
for i in range(height):
for j in range(width):
x, y = j - cx, i - cy
angle = np.arctan2(y, x) % (2 * np.pi)
distance = np.sqrt(x ** 2 + y ** 2)
# 五角星的极坐标方程
k = 5 # 五角星的角数
star_radius = r * (0.5 * np.cos(k * angle) + 0.5)
if distance <= star_radius:
star_mask[i, j] = 0
return {
'rect': rect_mask,
'circle': circle_mask,
'heart': heart_mask,
'star': star_mask
}
# 5. 生成静态词云
def generate_static_wordcloud(mask_shape, title, bg_color='white', contour_color='pink', colormap='viridis',
output_file=None):
# 创建词云对象
wc = WordCloud(
font_path=font_prop.get_file() if font_prop.get_file() else None,
background_color=bg_color,
mask=mask_shape,
max_words=200,
contour_width=2,
contour_color=contour_color,
collocations=False,
width=800,
height=600,
colormap=colormap,
prefer_horizontal=0.9
)
wc.generate(word_string)
# 显示词云
plt.figure(figsize=(10, 8))
plt.imshow(wc, interpolation='bilinear')
plt.axis('off')
plt.title(title, fontproperties=font_prop)
if output_file:
plt.savefig(output_file, dpi=300, bbox_inches='tight')
print(f"已保存图片: {output_file}")
plt.show()
# 6. 生成多层词云
def generate_multi_layer_wordcloud(output_file=None):
# 创建自定义颜色映射
colors1 = [(0.1, 0.1, 0.3), (0.4, 0.4, 0.8)] # 深蓝色到浅蓝色
colors2 = [(0.1, 0.3, 0.1), (0.4, 0.8, 0.4)] # 深绿色到浅绿色
colors3 = [(0.3, 0.1, 0.1), (0.8, 0.4, 0.4)] # 深红色到浅红色
cmap1 = LinearSegmentedColormap.from_list('custom1', colors1)
cmap2 = LinearSegmentedColormap.from_list('custom2', colors2)
cmap3 = LinearSegmentedColormap.from_list('custom3', colors3)
# 基本词云
plt.figure(figsize=(15, 12))
# 第一层：高频词
plt.subplot(2, 2, 1)
wc1 = WordCloud(
font_path=font_prop.get_file() if font_prop.get_file() else None,
background_color='white',
max_words=50,
max_font_size=150,
colormap=cmap1,
width=800,
height=600
).generate(word_string)
plt.imshow(wc1, interpolation='bilinear')
plt.axis('off')
plt.title('第一层：高频词', fontproperties=font_prop)
# 第二层：中频词
plt.subplot(2, 2, 2)
wc2 = WordCloud(
font_path=font_prop.get_file() if font_prop.get_file() else None,
background_color='white',
max_words=100,
max_font_size=100,
min_font_size=20,
colormap=cmap2,
width=800,
height=600
).generate(word_string)
plt.imshow(wc2, interpolation='bilinear')
plt.axis('off')
plt.title('第二层：中频词', fontproperties=font_prop)
# 第三层：低频词
plt.subplot(2, 2, 3)
wc3 = WordCloud(
font_path=font_prop.get_file() if font_prop.get_file() else None,
background_color='white',
max_words=150,
max_font_size=70,
min_font_size=10,
colormap=cmap3,
width=800,
height=600
).generate(word_string)
plt.imshow(wc3, interpolation='bilinear')
plt.axis('off')
plt.title('第三层：低频词', fontproperties=font_prop)
# 综合多层词云
plt.subplot(2, 2, 4)
# 创建综合词云
wc_combined = WordCloud(
font_path=font_prop.get_file() if font_prop.get_file() else None,
background_color='white',
max_words=200,
width=800,
height=600,
prefer_horizontal=0.9
).generate(word_string)
# 按频率排序并着色
word_freq = wc_combined.process_text(word_string)
sorted_words = sorted(word_freq.items(), key=lambda x: x[1], reverse=True)
# 根据排名设置不同颜色
def color_func(word, font_size, position, orientation, random_state=None, **kwargs):
rank = next((i for i, (w, _) in enumerate(sorted_words) if w == word), 0)
if rank < len(sorted_words) * 0.2: # 前20%
return "rgb({}, {}, {})".format(random.randint(0, 100), random.randint(0, 100), 200) # 蓝色
elif rank < len(sorted_words) * 0.6: # 中间40%
return "rgb({}, {}, {})".format(random.randint(0, 100), 200, random.randint(0, 100)) # 绿色
else: # 后40%
return "rgb({}, {}, {})".format(200, random.randint(0, 100), random.randint(0, 100)) # 红色
wc_combined.recolor(color_func=color_func)
plt.imshow(wc_combined, interpolation='bilinear')
plt.axis('off')
plt.title('综合多层词云', fontproperties=font_prop)
plt.tight_layout()
if output_file:
plt.savefig(output_file, dpi=300, bbox_inches='tight')
print(f"已保存图片: {output_file}")
plt.show()
# 7. 生成动态词云
def generate_animated_wordcloud(output_file=None):
# 创建词云对象
wc = WordCloud(
font_path=font_prop.get_file() if font_prop.get_file() else None,
background_color='white',
max_words=100,
width=800,
height=600,
prefer_horizontal=0.9
)
wc.generate(word_string)
# 创建画布和图形
fig, ax = plt.subplots(figsize=(10, 8))
plt.axis('off')
plt.title('动态词云', fontproperties=font_prop)
# 初始图像
im = ax.imshow(np.zeros((100, 100)), interpolation='bilinear')
# 更新函数
def update(frame):
# 随机改变颜色
def random_color_func(word=None, font_size=None, position=None,
orientation=None, font_path=None, random_state=None):
h = 360.0 * random.randint(0, 240) / 240.0
s = 100.0 * random.randint(60, 100) / 100.0
l = 100.0 * random.randint(30, 70) / 100.0
return f"hsl({h}, {s}%, {l}%)"
# 重新着色词云
wc.recolor(color_func=random_color_func)
im.set_data(wc)
return im,
# 创建动画
ani = FuncAnimation(fig, update, frames=range(20), interval=500, blit=True)
if output_file:
try:
# 保存为GIF
ani.save(output_file, writer='pillow', fps=2)
print(f"已保存动态词云: {output_file}")
except Exception as e:
print(f"保存动态词云失败: {e}")
print("尝试保存为静态图片...")
plt.savefig(output_file.replace('.gif', '.png'), dpi=300, bbox_inches='tight')
print(f"已保存静态图片: {output_file.replace('.gif', '.png')}")
plt.show()
# 8. 生成3D效果词云（使用不同颜色层次模拟深度）
def generate_3d_wordcloud(output_file=None):
# 创建词云对象
wc = WordCloud(
font_path=font_prop.get_file() if font_prop.get_file() else None,
background_color='white',
max_words=150,
width=800,
height=600,
prefer_horizontal=0.9
)
wc.generate(word_string)
# 按频率排序
word_freq = wc.process_text(word_string)
sorted_words = sorted(word_freq.items(), key=lambda x: x[1], reverse=True)
# 颜色映射 - 模拟深度
def depth_color_func(word, font_size, position, orientation, random_state=None, **kwargs):
rank = next((i for i, (w, _) in enumerate(sorted_words) if w == word), 0)
depth = rank / len(sorted_words)
# 前景词 - 亮色
if depth < 0.3:
r = int(200 - depth * 100)
g = int(100 + depth * 150)
b = int(100 + depth * 150)
return f"rgb({r}, {g}, {b})"
# 中景词 - 中等亮度
elif depth < 0.7:
r = int(150 - depth * 50)
g = int(150 - depth * 50)
b = int(200 - depth * 50)
return f"rgb({r}, {g}, {b})"
# 背景词 - 暗色
else:
r = int(50 + depth * 50)
g = int(50 + depth * 50)
b = int(150 - depth * 50)
return f"rgb({r}, {g}, {b})"
# 应用颜色
wc.recolor(color_func=depth_color_func)
# 显示词云
plt.figure(figsize=(10, 8))
plt.imshow(wc, interpolation='bilinear')
plt.axis('off')
plt.title('3D效果词云', fontproperties=font_prop)
if output_file:
plt.savefig(output_file, dpi=300, bbox_inches='tight')
print(f"已保存图片: {output_file}")
plt.show()
# 主程序
if __name__ == "__main__":
# 读取文本
text = load_text("千千阙歌-歌词.txt")
if not text:
# 使用示例文本
text = "红日升在东方 其大道满霞光 我何其幸 生于你怀 承一脉血流淌 难同当 福共享 挺立起了脊梁 吾国万疆 以仁爱 千年不灭的信仰"
# 分词处理
word_string = chinese_text_segmentation(text)
# 创建形状遮罩
shapes = create_shapes()
# 创建输出目录
output_dir = "词云输出"
os.makedirs(output_dir, exist_ok=True)
# 生成各种形状的词云
generate_static_wordcloud(shapes['rect'], '矩形词云', colormap='plasma',
output_file=f"{output_dir}/矩形词云.png")
generate_static_wordcloud(shapes['circle'], '圆形词云', colormap='viridis',
output_file=f"{output_dir}/圆形词云.png")
generate_static_wordcloud(shapes['heart'], '心形词云', colormap='Reds',
output_file=f"{output_dir}/心形词云.png")
generate_static_wordcloud(shapes['star'], '星形词云', colormap='YlOrBr',
output_file=f"{output_dir}/星形词云.png")
# 生成多层词云
generate_multi_layer_wordcloud(output_file=f"{output_dir}/多层词云.png")
# 生成动态词云
generate_animated_wordcloud(output_file=f"{output_dir}/动态词云.gif")
# 生成3D效果词云
generate_3d_wordcloud(output_file=f"{output_dir}/3D效果词云.png")
print(f"所有词云已保存到 '{output_dir}' 目录")1.矩形词云图
2.圆形词云图
3.心形词云图
4.星形词云图
5.多层词云图
6.动态词云图
7.3D效果词云图
4、文献指纹练习（Literature Fingerprinting）
数据来源：实验-第六章文件夹，《师说》-韩愈.txt
尝试构造该文本内容的文献指纹。
要求：将操作步骤逐一展示，描述背后的原理。内容要求有层次有逻辑。
文献指纹是用于唯一标识文献内容的一种特征表示，其原理是通过对文献内容进行特定处理，提取出能代表该文献独特性的信息。下面以一种基于词频统计结合哈希算法的方式来构造《师说》文本的文献指纹，并使用matplotlib库绘制词频统计的柱状图来展示文本中词汇的频率分布情况。
原理
- 哈希算法：哈希算法是一种将任意长度的数据映射为固定长度值的函数。在这个过程中，无论输入数据的大小和内容如何，哈希算法都会生成一个固定长度的哈希值。对于不同的输入，哈希值通常是不同的（虽然理论上存在哈希冲突的可能性，但在实际应用中概率极低）。因此，通过计算哈希值，可以将文本内容转换为一个唯一的特征标识，即文献指纹。
sha256算法：sha256是一种广泛使用的哈希算法，它生成的哈希值长度为 256 位（32 字节），具有较高的安全性和稳定性，能够有效地减少哈希冲突的发生，适用于文本内容的指纹生成。
操作步骤
文本预处理：读取文本内容，将文本转换为小写形式，去除标点符号，这样可以统一文本格式，方便后续处理。
分词：使用合适的分词工具（如
jieba库）将文本分割成单个的词语。词频统计：统计每个词语在文本中出现的频率，记录这些频率信息。
生成特征向量：根据词频统计结果，选取出现频率较高的若干个词语及其频率组成特征向量。这一步是为了提取文本的关键特征，减少数据维度同时保留重要信息。
计算文献指纹：将特征向量转换为字符串形式，使用哈希算法（如
MD5）计算该字符串的哈希值，得到文献指纹。哈希算法能将任意长度的数据映射为固定长度的哈希值，不同的输入通常会得到不同的哈希值，从而保证指纹的唯一性。绘制词频统计图像：使用
matplotlib库，根据词频统计结果绘制柱状图，直观展示文本中词汇的频率分布。
import jieba
import string
import hashlib
import matplotlib.pyplot as plt
from wordcloud import WordCloud
# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
def preprocess_text(text):
# 转换为小写
text = text.lower()
# 去除标点符号
text = text.translate(str.maketrans('', '', string.punctuation))
return text
def tokenize_text(text):
return jieba.lcut(text)
def calculate_word_frequency(tokens):
word_freq = {}
for token in tokens:
if token in word_freq:
word_freq[token] += 1
else:
word_freq[token] = 1
return word_freq
def select_top_words(word_freq, top_n=10):
sorted_word_freq = sorted(word_freq.items(), key=lambda x: x[1], reverse=True)
top_words = sorted_word_freq[:top_n]
return top_words
def generate_fingerprint(top_words):
feature_vector = ''.join([f"{word}:{freq}," for word, freq in top_words])
fingerprint = hashlib.md5(feature_vector.encode()).hexdigest()
return fingerprint
def plot_word_frequency(word_freq):
words = list(word_freq.keys())
frequencies = list(word_freq.values())
plt.figure(figsize=(10, 6))
plt.bar(words, frequencies)
plt.xlabel('Words')
plt.ylabel('Frequency')
plt.title('Word Frequency Distribution in "Shi Shuo"')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()
def generate_wordcloud(word_freq):
# 创建词云对象
wc = WordCloud(
font_path='C:/Windows/Fonts/SimHei.ttf', # 确保字体能正确显示中文
background_color='white',
width=800,
height=600,
max_words=200
)
# 根据词频生成词云
wc.generate_from_frequencies(word_freq)
# 显示词云图
plt.figure(figsize=(10, 8))
plt.imshow(wc, interpolation='bilinear')
plt.axis('off')
plt.title('《师说》词云图')
plt.show()
if __name__ == "__main__":
with open("《师说》-韩愈.txt", 'r', encoding='utf-8') as file:
text = file.read()
preprocessed_text = preprocess_text(text)
tokens = tokenize_text(preprocessed_text)
word_freq = calculate_word_frequency(tokens)
top_words = select_top_words(word_freq)
fingerprint = generate_fingerprint(top_words)
print(f"文献指纹: {fingerprint}")
plot_word_frequency(word_freq)
generate_wordcloud(word_freq)图像展示
