python数据分析：使用newspaper下载解析新闻并统计词频做词云图

版权声明：本文为博主原创文章，如若转载请注明出处 https://blog.csdn.net/tonydz0523/article/details/87787833

newspaper包

官网:https://newspaper.readthedocs.io/en/latest/
这是一个翻译过来的简单介绍：http://hao.jobbole.com/python-newspaper/

newspaper主要用来获取新闻类信息，而且支持中文，有一些集成的对网站，网页的处理方法，还有nlp处理。

本篇使用newspaper结合jieba对新浪财经新闻进行词频统计

数据

本篇使用的是新浪财经的关于斗鱼上市的新闻：
https://finance.sina.com.cn/chanjing/gsnews/2019-02-20/doc-ihqfskcp6738832.shtml

使用

import newspaper
import re  # 正则表达式库
import collections  # 词频统计库
import numpy as np  # numpy库
import jieba  # 结巴分词
import wordcloud  # 词云展示库
from PIL import Image  # 图像处理库
import matplotlib.pyplot as plt  # 图像展示库

newspaper相关使用，下载、解析、nlp

# 获取文章 以斗鱼上市新闻为例
article = newspaper.Article('https://finance.sina.com.cn/chanjing/gsnews/2019-02-20/doc-ihqfskcp6738832.shtml', language='zh')
# 下载文章
article.download()
# 解析文章
article.parse()
# 对文章进行nlp处理
article.nlp()
# nlp处理后的文章拼接
article_words = "".join(article.keywords)

这样就获取到了文章内容

jieba分词、筛选

seg_list_exact = jieba.cut(article_words, cut_all=False)  # 精确模式分词[默认模式]
object_list = []  # 建立空列表用于存储分词结果
# 需要移出的词
remove_words = ['的', '， ', '和', '是', '随着','对于', ' ', '对', '等', '能', '都', '。', '、', '中', '与', '在', '其', '了', '可以',
                '进行', '有', '更', '需要', '提供', '多', '能力', '也', '年', '通过', '会', '不同', '一个','这个', '我们', '将', '并', 
                '同时', '看', '如果', '但', '到', '非常','—', '如何', '包括', '这']

for word in seg_list_exact:  # 迭代读出每个分词对象
    if word not in remove_words:  # 如果不在去除词库中
        object_list.append(word)  # 分词追加到列表
      

统计词频

统计词频，并输出前10个词

# 词频统计
word_counts = collections.Counter(object_list)  # 对分词做词频统计
word_counts_top10 = word_counts.most_common(10)  # 获取前10个频率最高的词
for w, c in word_counts_top10:  # 分别读出每条词和出现从次数
    print(w, c)  # 打印输出

结果如下：

制作词云图

根据获取的词频做词云图，背景图片自行选择

# 词频展示
mask = np.array(Image.open('timg.jpg'))  # 定义词频背景
wc = wordcloud.WordCloud(
    font_path='C:/Windows/Fonts/simhei.ttf',  # 设置字体格式，不设置将无法显示中文
    mask=mask,  # 设置背景图
    max_words=200,  # 设置最大显示的词数
    max_font_size=100  # 设置字体最大值
)
wc.generate_from_frequencies(word_counts)  # 从字典生成词云
image_colors = wordcloud.ImageColorGenerator(mask)  # 从背景图建立颜色方案
wc.recolor(color_func=image_colors)  # 将词云颜色设置为背景图方案
plt.imshow(wc)  # 显示词云
plt.axis('off')  # 关闭坐标轴
plt.savefig('wordcloud.png')
plt.show()  # 显示图像

大功告成，展示结果

补充：进行页面中新闻批量统计

import requests
from bs4 import BeautifulSoup
import datetime as dt
today = dt.datetime.today().strftime("%Y-%m-%d")

response = requests.get('https://finance.sina.com.cn/stock/')

html = response.content.decode('utf-8')

soup = BeautifulSoup(html, 'lxml')

all_a = soup.find_all('a')

object_list = []  # 建立空列表用于存储分词结果
remove_words = ['的', '， ', '和', '是', '随着','对于', ' ', '对', '等', '能', '都', '。', '、', '中', '与', '在', '其', 
                '了', '可以', '进行', '有', '更', '需要', '提供', '多', '能力', '通过', '会', '不同', '一个','这个', '我们', 
                '将', '并', '同时', '看', '如果', '但', '到', '非常','—', '如何', '包括', '这']
for a in all_a:
    url = a['href']
    if ('finance.sina.com.cn' in url)&(today in url):
        article = newspaper.Article(url, language='zh')
        # 下载文章
        article.download()
        # 解析文章
        article.parse()
        # 对文章进行nlp处理
        article.nlp()
        # 
        article_words = "".join(article.keywords)
        seg_list_exact = jieba.cut(article_words, cut_all=False)  # 精确模式分词[默认模式]
        for word in seg_list_exact:  # 迭代读出每个分词对象
            if word not in remove_words:  # 如果不在去除词库中
                object_list.append(word)  # 分词追加到列表
# 词频统计
word_counts = collections.Counter(object_list)  # 对分词做词频统计
word_counts_top10 = word_counts.most_common(10)  # 获取前10个频率最高的词
for w, c in word_counts_top10:  # 分别读出每条词和出现从次数
    print(w, c)  # 打印输出

# 词频展示
mask = np.array(Image.open('timg.jpg'))  # 定义词频背景
wc = wordcloud.WordCloud(
    font_path='C:/Windows/Fonts/simhei.ttf',  # 设置字体格式，不设置将无法显示中文
    mask=mask,  # 设置背景图
    max_words=200,  # 设置最大显示的词数
    max_font_size=100  # 设置字体最大值
)
wc.generate_from_frequencies(word_counts)  # 从字典生成词云
image_colors = wordcloud.ImageColorGenerator(mask)  # 从背景图建立颜色方案
wc.recolor(color_func=image_colors)  # 将词云颜色设置为背景图方案
plt.imshow(wc)  # 显示词云
plt.axis('off')  # 关闭坐标轴
plt.show()  # 显示图像