新冠肺炎终于在举国上下的努力下得以控制，大家的工作生活也慢慢开始走向正规，疫情带来巨大的灾难，但同时也给研究者留下许多珍贵的数据。针对这次肺炎疫情，本文作者将抓取疫情相关微博话题及评论信息，采用SnowNLP进行简单的情感分析及文本挖掘，包括随时间的情感分布，希望对这一领域的学习者有帮助。
首先放上代码下载地址：https://github.com/eastmountyxz/Wuhan-data-analysis
CSDN下载地址：
https://download.csdn.net/download/Eastmount/12239638
微博话题数据抓取
该部分内容参考及修改我的学生兼朋友“杨友”的文章，也推荐博友们阅读他的博客，给予支持。作为老师，最开心的事就是看到学生成长和收获。他的博客地址：python爬虫爬取微博之战疫情用户评论及详情
微博网址：https://m.weibo.cn/
1.爬虫解析
第一步，进入微博审查元素，定位评论对应节点，后续抓取评论信息。
进入微博后，点击《战疫情》主题下，并随便选择一个动态进行分析，我就选择了“央视新闻网”的一条动态态“https://m.weibo.cn/detail/4471652190688865”进行分析。
我们刚打开该话题的时候，它显示的是187条评论，但是在审查时可以看到文章中的20个div，并且每个div中装载一条评论，每个页面原始就只能显示20条评论。
当我们把鼠标不断向下滑动的过程中，网页元素中的div也不断随评论的增加而增加，当活动到底部时，所有评论都加载出来了。初步判断该网页属于ajax加载类型，所以先就不要考虑用requests请求服务器了。
第二步，获取Ajax加载的动态链接数据，通过发布id定位每条话题。
这些数据都是通过Ajax动态加载的，点击到《战疫情》主题，发现它的URL并没有变化，具体浏览几篇文章后发现，它的的部分URL都是统一的，文章链接 = ‘https://m.weibo.cn/detail/’+发布时的id，可以通过刚找到的 id 在浏览器中拼接试试。
比如下图所示的微博内容。比如：https://m.weibo.cn/detail/4472846740547511
第三步，下拉网页动态刷新数据，发现获取多个page的规律。
接下来是获取它下一个加载数据的通道，同样是通过抓包的方式获取，不断的下拉网页，加载出其他的Ajax数据传输通道，再进行对比。可以很明显的看出，它的当前链接就只是带上了 “&page=当前数字” 的标签，并且每次加载出18篇动态文章。
查看元素信息如下图所示，每个page显示18个微博话题。
第四步，调用json.loads()函数或在线网站解析Json数据。
拿到的数据是json格式，再提取信息前需要把str文本转化为json数据，进行查找，可以使用json库查看它的结构 ，也可以在线json解析查看它的结构，更推荐在线解析，方法结构比较清晰。
在线解析后的结果，简单的给它打上标签，每一个等级为一块，一级包括二级和三级，二级包括三级… 然后通过前面的标签进行迭代输出，索引出来。在线网站：https://www.json.cn/
第五步，获取每条微博的ID值。
调用方法如下，然后把拿到的id加在https://m.weibo.cn/detail/ 的后面就可以访问具体的文章了。
import requestsapi_url = 'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_600059_-_ctg1_600059'reponse = requests.get(api_url)for json in reponse.json()['data']['statuses']: comment_ID = json['id'] print (comment_ID)此时提取所有链接代码如下：
import requests,timefrom fake_useragent import UserAgentcomment_urls = []def get_title_id():'''爬取战疫情首页的每个主题的ID'''for page in range(1,3):# 这是控制ajax通道的量headers = {'User-Agent' : UserAgent().chrome #chrome浏览器随机代理}time.sleep(2)# 该链接通过抓包获得api_url = 'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_600059_-_ctg1_600059&page=' + str(page)print (api_url)rep = requests.get(url=api_url, headers=headers)for json in rep.json()['data']['statuses']:comment_url = 'https://m.weibo.cn/detail/' + json['id']print (comment_url)comment_urls.append(comment_url)get_title_id()
输出结果如下：
https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_600059_-_ctg1_600059&page=1
https://m.weibo.cn/detail/4472725286834498https://m.weibo.cn/detail/4472896510211624https://m.weibo.cn/detail/4472846892243445https://m.weibo.cn/detail/4472901455185821https://m.weibo.cn/detail/4472856669039437https://m.weibo.cn/detail/4472897055545751https://m.weibo.cn/detail/4472891342667233https://m.weibo.cn/detail/4472879381479272https://m.weibo.cn/detail/4472889565122923https://m.weibo.cn/detail/4472884950738226https://m.weibo.cn/detail/4472883461527008https://m.weibo.cn/detail/4472904014106917......第六步，调用requests ajax 爬取更多信息。
现在需要获取更多的信息，如用户id、性别之类的，这不是selenium可以完成的操作了，还得使用ajax的方式获取json数据，提取详细的信息。这里有个字段是max_id， 我们需要在上一个json文件底部找到该值。
目标：话题链接、话题内容、楼主ID、楼主昵称、楼主性别、发布日期、发布时间、转发量、评论量、点赞量、评论者ID、评论者昵称、评论者性别、评论日期、评论时间、评论内容
第一个通道
现在可以预测下一个max_id
成功地通过上一个通道拿到了下一个通道的max_id，现在就可以使用ajax加载数据了。
2.爬虫完整代码
# -*- coding: utf-8 -*-import requests,random,reimport timeimport osimport csvimport sysimport jsonimport importlibfrom fake_useragent import UserAgentfrom lxml import etreeimportlib.reload(sys)startTime = time.time() #记录起始时间#--------------------------------------------文件存储-----------------------------------------------------path = os.getcwd() + '/weiboComments.csv'csvfile = open(path, 'a', newline='', encoding = 'utf-8-sig')writer = csv.writer(csvfile)#csv头部writer.writerow(('话题链接','话题内容','楼主ID', '楼主昵称', '楼主性别','发布日期','发布时间', '转发量','评论量','点赞量', '评论者ID', '评论者昵称','评论者性别', '评论日期', '评论时间','评论内容'))#设置headesheaders = {'Cookie': '_T_WM=22822641575; H5_wentry=H5; backURL=https%3A%2F%2Fm.weibo.cn%2F; ALF=1584226439; MLOGIN=1; SUBP=0033WrSXqPxfM725Ws9jqgMF55529P9D9W5RJaVYrb.BEuOvUQ8Ca2OO5JpX5K-hUgL.FoqESh-7eKzpShM2dJLoIp7LxKML1KBLBKnLxKqL1hnLBoMceoBfeh2EeKBN; SCF=AnRSOFp6QbWzfH1BqL4HB8my8eWNC5C33KhDq4Ko43RUIzs6rjJC49kIvz5_RcOJV2pVAQKvK2UbAd1Uh6j0pyo.; SUB=_2A25zQaQBDeRhGeBM71cR8SzNzzuIHXVQzcxJrDV6PUJbktAKLXD-kW1NRPYJXhsrLRnku_WvhsXi81eY0FM2oTtt; SUHB=0mxU9Kb_Ce6s6S; SSOLoginState=1581634641; WEIBOCN_FROM=1110106030; XSRF-TOKEN=dc7c27; M_WEIBOCN_PARAMS=oid%3D4471980021481431%26luicode%3D20000061%26lfid%3D4471980021481431%26uicode%3D20000061%26fid%3D4471980021481431','Referer': 'https://m.weibo.cn/detail/4312409864846621','User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.100 Safari/537.36','X-Requested-With': 'XMLHttpRequest'}#-----------------------------------爬取战疫情首页的每个主题的ID------------------------------------------comments_ID = []def get_title_id():for page in range(1,21): #每个页面大约有18个话题headers = {'User-Agent' : UserAgent().chrome #chrome浏览器随机代理}time.sleep(1)#该链接通过抓包获得api_url = 'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_600059_-_ctg1_600059&page=' + str(page)print(api_url)rep = requests.get(url=api_url, headers=headers)#获取ID值并写入列表comment_ID中for json in rep.json()['data']['statuses']:comment_ID = json['id']comments_ID.append(comment_ID)#-----------------------------------爬取战疫情每个主题的详情页面------------------------------------------def spider_title(comment_ID):try:article_url = 'https://m.weibo.cn/detail/'+ comment_IDprint ('article_url = ', article_url)html_text = requests.get(url=article_url, headers=headers).text#话题内容find_title = re.findall('.*?'text': '(.*?)',.*?', html_text)[0]title_text = re.sub('<(S*?)[^>]*>.*?|<.*? />', '', find_title) #正则匹配掉html标签print ('title_text = ', title_text)#楼主IDtitle_user_id = re.findall('.*?'id': (.*?),.*?', html_text)[1]print ('title_user_id = ', title_user_id)#楼主昵称title_user_NicName = re.findall('.*?'screen_name': '(.*?)',.*?', html_text)[0]print ('title_user_NicName = ', title_user_NicName)#楼主性别title_user_gender = re.findall('.*?'gender': '(.*?)',.*?', html_text)[0]print ('title_user_gender = ', title_user_gender)#发布时间created_title_time = re.findall('.*?'created_at': '(.*?)'.*?', html_text)[0].split(' ')#日期if 'Mar' in created_title_time:title_created_YMD = '{}/{}/{}'.format(created_title_time[-1], '03', created_title_time[2])elif 'Feb' in created_title_time:title_created_YMD = '{}/{}/{}'.format(created_title_time[-1], '02', created_title_time[2])elif 'Jan' in created_title_time:title_created_YMD = '{}/{}/{}'.format(created_title_time[-1], '01', created_title_time[2])else:print ('该时间不在疫情范围内，估计数据有误！URL = ')passprint ('title_created_YMD = ', title_created_YMD)#发布时间add_title_time = created_title_time[3]print ('add_title_time = ', add_title_time)#转发量reposts_count = re.findall('.*?'reposts_count': (.*?),.*?', html_text)[0]print ('reposts_count = ', reposts_count)#评论量comments_count = re.findall('.*?'comments_count': (.*?),.*?', html_text)[0]print ('comments_count = ', comments_count)#点赞量attitudes_count = re.findall('.*?'attitudes_count': (.*?),.*?', html_text)[0]print ('attitudes_count = ', attitudes_count)comment_count = int(int(comments_count) / 20) #每个ajax一次加载20条数据position1 = (article_url, title_text, title_user_id, title_user_NicName,title_user_gender, title_created_YMD, add_title_time, reposts_count, comments_count, attitudes_count, ' ', ' ', ' ', ' ',' ', ' ')#写入数据writer.writerow((position1))return comment_countexcept:pass#-------------------------------------------------抓取评论信息---------------------------------------------------#comment_ID话题编号def get_page(comment_ID, max_id, id_type):params = {'max_id': max_id,'max_id_type': id_type}url = ' https://m.weibo.cn/comments/hotflow?id={}&mid={}&max_id'.format(comment_ID, comment_ID)try:r = requests.get(url, params=params, headers=headers)if r.status_code == 200:return r.json()except requests.ConnectionError as e:print('error', e.args)pass#-------------------------------------------------抓取评论item最大值---------------------------------------------------def parse_page(jsondata):if jsondata:items = jsondata.get('data')item_max_id = {}item_max_id['max_id'] = items['max_id']item_max_id['max_id_type'] = items['max_id_type']return item_max_id#-------------------------------------------------抓取评论信息---------------------------------------------------def write_csv(jsondata):for json in jsondata['data']['data']:#用户IDuser_id = json['user']['id']# 用户昵称user_name = json['user']['screen_name']# 用户性别,m表示男性，表示女性user_gender = json['user']['gender']#获取评论comments_text = json['text']comment_text = re.sub('<(S*?)[^>]*>.*?|<.*? />', '', comments_text) #正则匹配掉html标签# 评论时间created_times = json['created_at'].split(' ')if 'Feb' in created_times:created_YMD = '{}/{}/{}'.format(created_times[-1], '02', created_times[2])elif 'Jan' in created_times:created_YMD = '{}/{}/{}'.format(created_times[-1], '01', created_times[2])else:print ('该时间不在疫情范围内，估计数据有误！')passcreated_time = created_times[3] #评论时间时分秒#if len(comment_text) != 0:position2 = (' ', ' ', ' ', ' ',' ', ' ', ' ', ' ', ' ', ' ', user_id, user_name, user_gender, created_YMD, created_time, comment_text)writer.writerow((position2))#写入数据#print (user_id, user_name, user_gender, created_YMD, created_time)#-------------------------------------------------主函数---------------------------------------------------def main():count_title = len(comments_ID)for count, comment_ID in enumerate(comments_ID):print ('正在爬取第%s个话题，一共找到个%s话题需要爬取'%(count+1, count_title))#maxPage获取返回的最大评论数量maxPage = spider_title(comment_ID)print ('maxPage = ', maxPage)m_id = 0id_type = 0if maxPage != 0: #小于20条评论的不需要循环try:#用评论数量控制循环for page in range(0, maxPage):#自定义函数-抓取网页评论信息jsondata = get_page(comment_ID, m_id, id_type)#自定义函数-写入CSV文件write_csv(jsondata)#自定义函数-获取评论item最大值results = parse_page(jsondata)time.sleep(1)m_id = results['max_id']id_type = results['max_id_type']except:passprint ('--------------------------分隔符---------------------------')csvfile.close()if __name__ == '__main__':#获取话题IDget_title_id()#主函数操作main()#计算使用时间endTime = time.time()useTime = (endTime-startTime) / 60print('该次所获的信息一共使用%s分钟'%useTime)
保存数据截图如下图所示：
下图时抓取的话题页面网址，每个页面包括18个话题。
接着抓取每个话题的内容，如下所示：
正在爬取第1个话题，一共找到个361话题需要爬取article_url = https://m.weibo.cn/detail/4484575189181757title_text = 【#国家卫健委回应健康码互通互认#】国家卫生健康委规划司司长毛群安：目前全国低风险县域已占98%，各省份正在按照统一的数据格式标准和内容要求，加快向全国一体化平台汇聚本地区防疫健康信息的目录。截至目前，#全国绝大多数健康码可实现一码通行#。微博视频 title_user_id = 2803301701title_user_NicName = title_user_gender = m该时间不在疫情范围内，估计数据有误！URL = maxPage = None--------------------------分隔符---------------------------正在爬取第2个话题，一共找到个361话题需要爬取article_url = https://m.weibo.cn/detail/4484288164243251title_text = 法国网友自称自己成了长发公主，度过了居家隔离后的第三天.....#全球疫情##法国疫情# 法国囧事的微博视频 title_user_id = 2981906842title_user_NicName = 法国囧事title_user_gender = m该时间不在疫情范围内，估计数据有误！URL = maxPage = None--------------------------分隔符---------------------------正在爬取第3个话题，一共找到个361话题需要爬取article_url = https://m.weibo.cn/detail/4484492666507389title_text = #全球疫情# #意大利疫情# #意大利# “罗马还有其他四处的药店都遭到了抢劫。我们遭受到的是持械抢劫。“这是一位罗马药店药剂师的陈述。她说，在当前疫情的危机情况下，我们处在两难困境之中：受到抢劫和疾病的双重威胁。疫情之下，意大利口罩告急，价格飙高。市民认为是药店不卖，而真实情况是药店真的没有，而供货商又抬高了价格。药店处在两难境地。这位药剂师道出了自己的苦衷，冒着危险还在工作，与医护人员一样，都是奋斗在一线做出牺牲的人。呼吁民众理解，也请求大家的帮助。Nita大呵呵的微博视频title_user_id = 6476189426title_user_NicName = Nita大呵呵title_user_gender = f该时间不在疫情范围内，估计数据有误！URL = maxPage = None最终抓取360个疫情话题内容。
注意：该爬虫评论写入功能需要改进下，且只能抓取当天的“战疫情”话题及评论，如果想针对某个突发事件进行一段时间的分析，建议每天定时运行该程序，从而形成所需的数据集。也可以根据需求修改为热点话题的抓取，增加搜索功能等。
微博话题词云分析
首先，我们对文本进行简单的词云可视化分析。
1.基本用法
词云分析主要包括两种方法：
调用WordCloud扩展包画图（兼容性极强，之前介绍过）
调用PyEcharts中的WordCloud子包画图（本文推荐新方法）
PyEcharts绘制词云的基础代码如下：
# coding=utf-8from pyecharts import options as optsfrom pyecharts.charts import WordCloudfrom pyecharts.globals import SymbolType# 数据words = [('背包问题', 10000),('大整数', 6181),('Karatsuba乘法算法', 4386),('穷举搜索', 4055),('傅里叶变换', 2467),('状态树遍历', 2244),('剪枝', 1868),('Gale-shapley', 1484),('最大匹配与匈牙利算法', 1112),('线索模型', 865),('关键路径算法', 847),('最小二乘法曲线拟合', 582),('二分逼近法', 555),('牛顿迭代法', 550),('Bresenham算法', 462),('粒子群优化', 366),('Dijkstra', 360),('A*算法', 282),('负极大极搜索算法', 273),('估值函数', 265)]# 渲染图def wordcloud_base() -> WordCloud:c = (WordCloud().add('', words, word_size_range=[20, 100], shape='diamond') # SymbolType.ROUND_RECT.set_global_opts(title_opts=opts.TitleOpts(title='WordCloud词云')))return c# 生成图wordcloud_base().render('词云图.html')
输出结果如下图所示，出现词频越高显示越大。
核心代码为：
add(name, attr, value, shape=“circle”, word_gap=20, word_size_range=None, rotate_step=45)name -> str: 图例名称
attr -> list: 属性名称
value -> list: 属性所对应的值
shape -> list: 词云图轮廓，有’circle’, ‘cardioid’, ‘diamond’, ‘triangleforward’, ‘triangle’, ‘pentagon’, ‘star’可选
word_gap -> int: 单词间隔,默认为20
word_size_range -> list: 单词字体大小范围,默认为[12,60]
rotate_step -> int: 旋转单词角度,默认为45
2.疫情词云
接着我们将3月20日疫情内容复制至“data.txt”文本，经过中文分词后显示前1000个高频词的词云。代码如下：
# coding=utf-8import jiebaimport reimport timefrom collections import Counter#------------------------------------中文分词------------------------------------cut_words = ''all_words = ''f = open('C-class-fenci.txt', 'w')for line in open('C-class.txt', encoding='utf-8'):line.strip('\n')seg_list = jieba.cut(line,cut_all=False)# print(' '.join(seg_list))cut_words = (' '.join(seg_list))f.write(cut_words)all_words += cut_wordselse:f.close()# 输出结果all_words = all_words.split()print(all_words)# 词频统计c = Counter()for x in all_words:if len(x)>1 and x != '\r\n':c[x] += 1# 输出词频最高的前10个词print('\n词频统计结果：')for (k,v) in c.most_common(10):print('%s:%d'%(k,v))# 存储数据name = time.strftime('%Y-%m-%d') + '-fc.csv'fw = open(name, 'w', encoding='utf-8')i = 1for (k,v) in c.most_common(len(c)):fw.write(str(i)+','+str(k)+','+str(v)+'\n')i = i + 1else:print('Over write file!')fw.close()#------------------------------------词云分析------------------------------------from pyecharts import options as optsfrom pyecharts.charts import WordCloudfrom pyecharts.globals import SymbolType# 生成数据 word = [('A',10), ('B',9), ('C',8)] 列表+Tuplewords = []for (k,v) in c.most_common(1000):# print(k, v)words.append((k,v))# 渲染图def wordcloud_base() -> WordCloud:c = (WordCloud().add('', words, word_size_range=[20, 100], shape=SymbolType.ROUND_RECT).set_global_opts(title_opts=opts.TitleOpts(title='全国新型冠状病毒疫情词云图')))return c# 生成图wordcloud_base().render('疫情词云图.html')
输出结果如下图所示，仅3月20日的热点话题内容。
3.WordCloud
另一种方法的代码如下：
# coding=utf-8import jiebaimport reimport sysimport timefrom collections import Counterimport matplotlib.pyplot as pltfrom wordcloud import WordCloud
#------------------------------------中文分词------------------------------------cut_words = ''all_words = ''f = open('data-fenci.txt', 'w')for line in open('data.txt', encoding='utf-8'): line.strip('\n') seg_list = jieba.cut(line,cut_all=False) # print(' '.join(seg_list)) cut_words = (' '.join(seg_list)) f.write(cut_words) all_words += cut_wordselse: f.close()
# 输出结果all_words = all_words.split()print(all_words)
# 词频统计c = Counter()for x in all_words: if len(x)>1 and x != '\r\n': c[x] += 1
# 输出词频最高的前10个词print('\n词频统计结果：')for (k,v) in c.most_common(10): print('%s:%d'%(k,v))
# 存储数据name = time.strftime('%Y-%m-%d') + '-fc.csv'fw = open(name, 'w', encoding='utf-8')i = 1for (k,v) in c.most_common(len(c)): fw.write(str(i)+','+str(k)+','+str(v)+'\n') i = i + 1else: print('Over write file!') fw.close()
#------------------------------------词云分析------------------------------------#打开本体TXT文件text = open('data.txt').read()
#结巴分词 cut_all=True 设置为精准模式 wordlist = jieba.cut(text, cut_all = False)
#使用空格连接 进行中文分词wl_space_split = ' '.join(wordlist)#print(wl_space_split)
#对分词后的文本生成词云my_wordcloud = WordCloud().generate(wl_space_split)
#显示词云图plt.imshow(my_wordcloud)#是否显示x轴、y轴下标plt.axis('off')plt.show()SnowNLP情感分析用法
情感分析的基本流程如下图所示，通常包括：
自定义爬虫抓取文本信息；
使用Jieba工具进行中文分词、词性标注；
定义情感词典提取每行文本的情感词；
通过情感词构建情感矩阵，并计算情感分数；
结果评估，包括将情感分数置于0.5到-0.5之间，并可视化显示。
1.SnowNLP
SnowNLP是一个常用的Python文本分析库，是受到TextBlob启发而发明的。由于当前自然语言处理库基本都是针对英文的，而中文没有空格分割特征词，Python做中文文本挖掘较难，后续开发了一些针对中文处理的库，例如SnowNLP、Jieba、BosonNLP等。注意SnowNLP处理的是unicode编码，所以使用时请自行decode成unicode。
Snownlp主要功能包括：
中文分词（算法是Character-Based Generative Model）
词性标注（原理是TnT、3-gram 隐马）
情感分析
文本分类（原理是朴素贝叶斯）
转换拼音、繁体转简体
提取文本关键词（原理是TextRank）
提取摘要（原理是TextRank）、分割句子
文本相似（原理是BM25）
推荐官网给大家学习。
安装和其他库一样，使用pip安装即可。
pip install snownlp2.中文分词
下面是最简单的实例，使用SnowNLP进行中文分词，同时比较了SnowNLP和Jieba库的分词效果。
# -*- coding: utf-8 -*-from snownlp import SnowNLPs1 = SnowNLP(u'这本书质量真不太好！')print('SnowNLP:')print(' '.join(s1.words))
import jiebas2 = jieba.cut(u'这本书质量真不太好！', cut_all=False)print('jieba:')print(' '.join(s2))输出结果如下所示：
总体感觉是SnowNLP分词速度比较慢，准确度较低，比如“不太好”这个词组，但也不影响我们后续的情感分析。
3.常见功能
代码如下：
# -*- coding: utf-8 -*-from snownlp import SnowNLPs = SnowNLP(u'这本书质量真不太好！')print(u'\n中文分词:')print( ' '.join(s.words))print(u'\n词性标注:')print(s.tags)for k in s.tags:print(k)print(u'\n情感分数:')print(s.sentiments)print(u'\n转换拼音:')print(s.pinyin)print(u'\n输出前4个关键词:')print(s.keywords(4))for k in s.keywords(4):print(k)print(u'\n输出关键句子:')print(s.summary(1))for k in s.summary(1):print(k)print(u'\n输出tf和idf:')print(s.tf)print(s.idf)n = SnowNLP(u'「繁體字」「繁體中文」的叫法在臺灣亦很常見。')print(u'\n繁简体转换:')print(n.han)
s.words 输出分词后的结果，词性标注主要通过 s.tags，s.sentiments 计算情感分数，s.pinyin 转换为拼音，s.keywords(4) 提取4个关键词，s.summary(1) 输出一个关键句子，s.tf 计算TF值（频率），s.idf 计算IDF值（倒文档）。
输出结果如下所示：
>>>
中文分词:这 本书 质量 真 不 太 好 ！
词性标注:[(u'\u8fd9', u'r'), (u'\u672c\u4e66', u'r'), (u'\u8d28\u91cf', u'n'), (u'\u771f', u'd'), (u'\u4e0d', u'd'), (u'\u592a', u'd'), (u'\u597d', u'a'), (u'\uff01', u'w')](u'\u8fd9', u'r')(u'\u672c\u4e66', u'r')(u'\u8d28\u91cf', u'n')(u'\u771f', u'd')(u'\u4e0d', u'd')(u'\u592a', u'd')(u'\u597d', u'a')(u'\uff01', u'w')
情感分数:0.420002029202
转换拼音:[u'zhe', u'ben', u'shu', u'zhi', u'liang', u'zhen', u'bu', u'tai', u'hao', u'\uff01']
输出前4个关键词:[u'\u592a', u'\u4e0d', u'\u8d28\u91cf', u'\u771f']太不质量真
输出关键句子:[u'\u8fd9\u672c\u4e66\u8d28\u91cf\u771f\u4e0d\u592a\u597d']这本书质量真不太好
输出tf和idf:[{u'\u8fd9': 1}, {u'\u672c': 1}, {u'\u4e66': 1}, {u'\u8d28': 1}, {u'\u91cf': 1}, {u'\u771f': 1}, {u'\u4e0d': 1}, {u'\u592a': 1}, {u'\u597d': 1}, {u'\uff01': 1}]{u'\uff01': 1.845826690498331, u'\u4e66': 1.845826690498331, u'\u8d28': 1.845826690498331, u'\u592a': 1.845826690498331, u'\u4e0d': 1.845826690498331, u'\u672c': 1.845826690498331, u'\u91cf': 1.845826690498331, u'\u8fd9': 1.845826690498331, u'\u597d': 1.845826690498331, u'\u771f': 1.845826690498331}
繁简体转换:「繁体字」「繁体中文」的叫法在台湾亦很常见。>>>同样可以进行文本相似度计算，代码参考下图所示：
4.情感分析
SnowNLP情感分析也是基于情感词典实现的，其简单的将文本分为两类，积极和消极，返回值为情绪的概率，越接近1为积极，接近0为消极。
下面简单给出一个情感分析的例子：
# -*- coding: utf-8 -*-from snownlp import SnowNLPs1 = SnowNLP(u'我今天很开心')print(u's1情感分数:')print(s1.sentiments)s2 = SnowNLP(u'我今天很沮丧')print(u's2情感分数:')print(s2.sentiments)s3 = SnowNLP(u'大傻瓜，你脾气真差，动不动就打人')print(u's3情感分数:')print(s3.sentiments)
输出结果如下所示，当负面情感特征词越多，比如“傻瓜”、“差”、“打人”等，分数就会很低，同样当正免情感词多分数就高。
s1情感分数:
0.84204018979s2情感分数:0.648537121839s3情感分数:0.0533215596706而在真实项目中，通常需要根据实际的数据重新训练情感分析的模型，导入正面样本和负面样本，再训练新模型。
sentiment.train(’./neg.txt’, ‘./pos.txt’)
sentiment.save(‘sentiment.marshal’)
SnowNLP微博情感分析实例
下面的代码是对爬取的疫情话题进行情感分析。本文将抓取的356条（其中4条仅图片）微博疫情话题信息复制至TXT文件中 ，每一行为一条话题，再对其进行中文分词处理。注意，这里仅仅获取序号1-356的情感分数，而其他情感分析可以进行时间对比、主题对比等，其方法和此篇文章类似，希望读者学会举一反三。
1.情感各分数段出现频率
首先统计各情感分数段出现的评率并绘制对应的柱状图，代码如下：
# -*- coding: utf-8 -*-from snownlp import SnowNLPimport codecsimport ossource = open('data.txt','r', encoding='utf-8')line = source.readlines()sentimentslist = []for i in line:s = SnowNLP(i)print(s.sentiments)sentimentslist.append(s.sentiments)import matplotlib.pyplot as pltimport numpy as npplt.hist(sentimentslist, bins = np.arange(0, 1, 0.01), facecolor = 'g')plt.xlabel('Sentiments Probability')plt.ylabel('Quantity')plt.title('Analysis of Sentiments')plt.show()
输出结果如下图所示，可以看到
对应的分数如下：
>>>4.440892098500626e-160.490553956075208240.99999999999726350.99999986770931490.99796275863685160.99999999909595090.99998301992337690.99986993108126470.9999954477924106...2.情感波动分析
接下来分析每条评论的波动情况，代码如下所示：
# -*- coding: utf-8 -*-from snownlp import SnowNLPimport codecsimport ossource = open('data.txt','r', encoding='utf-8')line = source.readlines()sentimentslist = []for i in line:s = SnowNLP(i)print(s.sentiments)sentimentslist.append(s.sentiments)import matplotlib.pyplot as pltimport numpy as npplt.plot(np.arange(0, 356, 1), sentimentslist, 'k-')plt.xlabel('Number')plt.ylabel('Sentiment')plt.title('Analysis of Sentiments')plt.show()
输出结果如下所示，呈现一条曲线，因为抓取的评论基本都是好评，所以分数基本接近于1.0，而真实分析过程中存在好评、中评和差评，曲线更加规律。
同时，在做情感分析的时候，我看到很多论文都是将情感区间从[0, 1.0]转换为[-0.5, 0.5]，这样的曲线更加好看，位于0以上的是积极评论，反之消极评论。修改代码如下：
# -*- coding: utf-8 -*-from snownlp import SnowNLPimport codecsimport os
#获取情感分数source = open('data.txt','r', encoding='utf-8')line = source.readlines()sentimentslist = []for i in line: s = SnowNLP(i) print(s.sentiments) sentimentslist.append(s.sentiments)
#区间转换为[-0.5, 0.5]result = []i = 0while i<len(sentimentslist): result.append(sentimentslist[i]-0.5) i = i + 1
#可视化画图import matplotlib.pyplot as pltimport numpy as npplt.plot(np.arange(0, 356, 1), result, 'k-')plt.xlabel('Number')plt.ylabel('Sentiment')plt.title('Analysis of Sentiments')plt.show()绘制图形如下所示：
3.情感时间分布
最后补充随时间分布的情感分数相关建议，读者可能也发现抓取的博客存在重复、时间不均衡等现象。微博数据还是非常不好抓取，数据卡住了很多人，也请读者深入分析下。
(1) 情感分析通常需要和评论时间结合起来，并进行舆情预测等，建议读者尝试将时间结合。比如王树义老师的文章《基于情感分类的竞争企业新闻文本主题挖掘》。
(2) 情感分析也是可以进行评价的，我们前面抓取的分为5星评分，假设0-0.2位一星，0.2-0.4位二星，0.4-0.6为三星，0.6-0.8为四星，0.8-1.0为五星，这样我们可以计算它的准确率，召回率，F值，从而评论我的算法好坏。
(3) 作者还有很多情感分析结合幂率分布的知识，因为需要写文章，这里暂时不进行分享，但是这篇基础文章对初学者仍然有一定的帮助。
(4) BosonNLP也是一个比较不错的情感分析包，建议感兴趣的读者学习，它提供了相关的词典，如下：https://bosonnlp.com/dev/resource。
(5) 读者如果不太擅长写代码，可以尝试使用情感分析系统。http://ictclas.nlpir.org/nlpir/
原文链接：
https://blog.csdn.net/Eastmount/article/details/104995419
【END】
联系客服
