python读取PDF、word文件及jieba分词,词云分析(Jupyter)
用pdf文件解析器读取文件首先要安装pdfplumber库代码如下!pip install pdfplumber -i https://pypi.tuna.tsinghua.edu.cn/simple上面的代码安装可能会报错这时我们需要输入以下代码#!pip --default-timeout100 install --user pdfplumber -i https://pypi.tuna.tsinghua.edu.cn/simple输入以上代码能解决大部分问题import pdfplumber #导入库 #用pdf文件解析器读取文件 with pdfplumber.open(rC:\Users\bai\Downloads\新时代内地高校港澳学生国情教育模式研究_张小欣.pdf) as f: #用for循环读取文件中的每一页 for page in f.pages: text page.extract_text() txt_f open(r港澳国情教育.txt,modea,encodingutf-8) #创建txt文件 txt_f.write(text) #写入txt文件执行完上面代码我们得到txt样式的文本了。接下来读取word文件同样我们需要安装python-docx第三方库!pip install python-docx接下来读取文件import xlsxwriter as xw f docx.Document(rC:\Users\bai\Downloads\新时代内地高校港澳学生国情教育模式研究_张小欣.docx) for para in f.paragraphs: #用for循环读取文件每一段 txt_f open(r港澳国情教育.txt,modea,encodingutf-8) #创建txt文件 txt_f.write(para.text) #写入txt文件 #print(para.text)使用jieba分词库进行文本处理import jieba file open(港澳国情教育.txt,encodingutf-8) file file.read() #读取txt文件 txtlist jieba.lcut(file) # 使用精确模式对文本进行分词 string .join(txtlist) #列表转化为字符串,绘制词云要传入的对象是字符串 #string统计词语及其出现的次数stop_words {} #通过键值对的形式存储要排除的词及出现次数 counts {} # 通过键值对的形式存储词语及其出现的次数 for txt in txtlist: if len(txt) 1: # 单个词语应该排除 stop_words[txt] stop_words.get(txt,0) 1 else: counts[txt] counts.get(txt, 0) 1 # 遍历所有词语每出现一次其对应的值加 1 items list(counts.items()) items.sort(keylambda x: x[1], reverseTrue) # 根据词语出现的次数进行从大到小排序将统计好的词语及其出现的次数写入excelimport xlsxwriter as xw #导入第三方库 #根据词语出现的次数进行从大到小排序并写入excel workbook xw.Workbook(词频.xlsx) # 创建工作簿 worksheet1 workbook.add_worksheet(sheet1) # 创建子表 worksheet1.activate() # 激活表 title [词语, 词频, ] # 设置表头 worksheet1.write_row(A1, title) # 从A1单元格开始写入表头 i 2 # 从第二行开始写入数据 for j in range(len(items)): insertData [items[j][0], items[j][1]] #获取items里面的每个元素,items每个元素为元组[j][0]表示第j个元组中的第1个元素 row A str(i) worksheet1.write_row(row, insertData) i 1 workbook.close() # 关闭表创建排除单个词的列表stoplist[] #创建排除单个词的列表 item list(stop_words.items()) for i in range(len(item)): #遍历列表中所有的字典 txt,count item[i] stoplist.append(txt) #将key添加到要排除的列表 #print(stoplist) setlist set(stoplist) #将列表转化为集合后面WordCloud()方法的stopwords传入的参数要求为集合创建词云对象进行词云分析from wordcloud import WordCloud wcd WordCloud(width1000,height700,background_colorwhite,font_pathmsyh.ttc,scale15,stopwordssetlist) #将string变量传入generate()方法给词云输入文字 wcd.generate(string) wcd.to_image() 查看词云图片 wcd.to_file(词云.png) #导出图片

相关新闻

云Agent选型与落地指南:从托管到自托管的全流程实践

云Agent选型与落地指南:从托管到自托管的全流程实践

这次我们看一个来自 Hacker News 的话题:“Ask HN: What cloud agents do you use?”,也就是“你平时实际在用的云 Agent 有哪些”。话题看起来很闲聊,背后其实是一类工具的真实选型问题:大家都把 AI 智能体放到远程沙箱里&#…

2026/11/22 20:19:21 阅读更多 →
Monorepo工程化:减少Diff、构建优化与协作框架实践

Monorepo工程化:减少Diff、构建优化与协作框架实践

做后端开发这些年,我见过太多团队在同一个泥坑里反复挣扎:微服务拆了一地,仓库建了几十个,每次跨服务改需求都要提好几个 PR,等 Review 等到下班;换个分支切来切去,合并冲突能磨掉半天。于是很多…

2026/11/22 20:19:20 阅读更多 →
从零开发Canvas三角形游戏:用原生JavaScript实现完整游戏循环与碰撞检测

从零开发Canvas三角形游戏:用原生JavaScript实现完整游戏循环与碰撞检测

这次我们来看一个非常典型的游戏开发入门项目:The Triangle Game, from Zero。项目名字很直白,意思就是从零开始,把最高潮的部分都砍掉,不依赖任何游戏引擎,只用一个 HTML 文件,用 Canvas 和原生 JavaScrip…

2026/10/24 17:55:12 阅读更多 →

最新新闻

Electron桌面应用开发实战:从环境搭建到打包发布全流程

Electron桌面应用开发实战:从环境搭建到打包发布全流程

做前端这些年,我大部分时间都在跟浏览器标签页打交道,直到第一次把桌面应用跑起来,才发现原来自己一直被限制在地址栏和刷新按钮围起来的框框里。Electron这个词,最开始是在某段时间频繁出现在同事的讨论里,一个用HTML…

2026/11/21 23:27:35 阅读更多 →
滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

简介:亚太天能T109滑盖智能锁产品说明书是一份PDF格式的官方技术文档,主要面向智能锁安装人员、终端用户及售后维护者,帮助快速掌握产品安装、配置与常见故障处理。全包仅1个PDF文件,大小4.37MB,内容结构清晰&#xff…

2026/11/21 23:27:35 阅读更多 →
PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

上个月我在调试一台高速AGV的驱动系统,整车要求空载跑到8m/s,电机转速已经拉到额定点,驱动器的输出电压也顶到了母线电压极限附近。再往上踩速度指令,转速纹丝不动,三相电流反而开始震荡。那会儿我的第一反应就是&…

2026/11/21 23:27:35 阅读更多 →
C++核心知识点:从内存管理到STL的实战指南

C++核心知识点:从内存管理到STL的实战指南

C 这门语言我前前后后折腾了十几年,用它写过嵌入式驱动、做过游戏服务端,也搭过基础组件库。每次看到新人一头扎进"C 核心知识点"这个搜索词,我其实挺感慨的——这门语言的难点从来不是语法多,而是知识点之间的耦合太深…

2026/11/21 23:27:35 阅读更多 →
T109滑盖智能锁怎么装?安装调试与故障排查全攻略

T109滑盖智能锁怎么装?安装调试与故障排查全攻略

简介:亚太天能T109滑盖智能锁产品说明书以PDF格式发布,适合智能锁用户、安装人员与售后维修人员阅读。内容围绕T109系列指纹密码刷卡锁展开,先介绍前面板、后面板、锁体、机械钥匙、电池盒盖等部件名称与功能,再给出完整安装步骤&…

2026/11/21 23:27:36 阅读更多 →
LLM知识降熵:从信息垄断到理解权下放

LLM知识降熵:从信息垄断到理解权下放

你有没有过这种经历:翻开源码注释、论文摘要或者一份专业报告,每个字都认识,连在一起却像天书。想找人聊聊,身边要么没人懂,要么懂的懒得跟你解释。后来我试着把同一段内容丢给一个大语言模型,几秒钟之后&a…

2026/11/21 23:27:37 阅读更多 →

日新闻

周新闻

月新闻